Quellcode-Bibliothek ext.c

/* SPDX-License-Identifier: GPL-2.0 */
/*
 * BPF extensible scheduler class: Documentation/scheduler/sched-ext.rst
 *
 * Copyright (c) 2022 Meta Platforms, Inc. and affiliates.
 * Copyright (c) 2022 Tejun Heo <tj@kernel.org>
 * Copyright (c) 2022 David Vernet <dvernet@meta.com>
 */
#include <linux/btf_ids.h>
#include "ext_idle.h"

/*
 * NOTE: sched_ext is in the process of growing multiple scheduler support and
 * scx_root usage is in a transitional state. Naked dereferences are safe if the
 * caller is one of the tasks attached to SCX and explicit RCU dereference is
 * necessary otherwise. Naked scx_root dereferences trigger sparse warnings but
 * are used as temporary markers to indicate that the dereferences need to be
 * updated to point to the associated scheduler instances rather than scx_root.
 */
static struct scx_sched __rcu *scx_root;

/*
 * During exit, a task may schedule after losing its PIDs. When disabling the
 * BPF scheduler, we need to be able to iterate tasks in every state to
 * guarantee system safety. Maintain a dedicated task list which contains every
 * task between its fork and eventual free.
 */
static DEFINE_SPINLOCK(scx_tasks_lock);
static LIST_HEAD(scx_tasks);

/* ops enable/disable */
static DEFINE_MUTEX(scx_enable_mutex);
DEFINE_STATIC_KEY_FALSE(__scx_enabled);
DEFINE_STATIC_PERCPU_RWSEM(scx_fork_rwsem);
static atomic_t scx_enable_state_var = ATOMIC_INIT(SCX_DISABLED);
static unsigned long scx_in_softlockup;
static atomic_t scx_breather_depth = ATOMIC_INIT(0);
static int scx_bypass_depth;
static bool scx_init_task_enabled;
static bool scx_switching_all;
DEFINE_STATIC_KEY_FALSE(__scx_switched_all);

static atomic_long_t scx_nr_rejected = ATOMIC_LONG_INIT(0);
static atomic_long_t scx_hotplug_seq = ATOMIC_LONG_INIT(0);

/*
 * A monotically increasing sequence number that is incremented every time a
 * scheduler is enabled. This can be used by to check if any custom sched_ext
 * scheduler has ever been used in the system.
 */
static atomic_long_t scx_enable_seq = ATOMIC_LONG_INIT(0);

/*
 * The maximum amount of time in jiffies that a task may be runnable without
 * being scheduled on a CPU. If this timeout is exceeded, it will trigger
 * scx_error().
 */
static unsigned long scx_watchdog_timeout;

/*
 * The last time the delayed work was run. This delayed work relies on
 * ksoftirqd being able to run to service timer interrupts, so it's possible
 * that this work itself could get wedged. To account for this, we check that
 * it's not stalled in the timer tick, and trigger an error if it is.
 */
static unsigned long scx_watchdog_timestamp = INITIAL_JIFFIES;

static struct delayed_work scx_watchdog_work;

/* for %SCX_KICK_WAIT */
static unsigned long __percpu *scx_kick_cpus_pnt_seqs;

/*
 * Direct dispatch marker.
 *
 * Non-NULL values are used for direct dispatch from enqueue path. A valid
 * pointer points to the task currently being enqueued. An ERR_PTR value is used
 * to indicate that direct dispatch has already happened.
 */
static DEFINE_PER_CPU(struct task_struct *, direct_dispatch_task);

static const struct rhashtable_params dsq_hash_params = {
 .key_len  = sizeof_field(struct scx_dispatch_q, id),
 .key_offset  = offsetof(struct scx_dispatch_q, id),
 .head_offset  = offsetof(struct scx_dispatch_q, hash_node),
};

static LLIST_HEAD(dsqs_to_free);

/* dispatch buf */
struct scx_dsp_buf_ent {
 struct task_struct *task;
 unsigned long  qseq;
 u64   dsq_id;
 u64   enq_flags;
};

static u32 scx_dsp_max_batch;

struct scx_dsp_ctx {
 struct rq  *rq;
 u32   cursor;
 u32   nr_tasks;
 struct scx_dsp_buf_ent buf[];
};

static struct scx_dsp_ctx __percpu *scx_dsp_ctx;

/* string formatting from BPF */
struct scx_bstr_buf {
 u64   data[MAX_BPRINTF_VARARGS];
 char   line[SCX_EXIT_MSG_LEN];
};

static DEFINE_RAW_SPINLOCK(scx_exit_bstr_buf_lock);
static struct scx_bstr_buf scx_exit_bstr_buf;

/* ops debug dump */
struct scx_dump_data {
 s32   cpu;
 bool   first;
 s32   cursor;
 struct seq_buf  *s;
 const char  *prefix;
 struct scx_bstr_buf buf;
};

static struct scx_dump_data scx_dump_data = {
 .cpu   = -1,
};

/* /sys/kernel/sched_ext interface */
static struct kset *scx_kset;

#define CREATE_TRACE_POINTS
#include <trace/events/sched_ext.h>

static void process_ddsp_deferred_locals(struct rq *rq);
static void scx_bpf_kick_cpu(s32 cpu, u64 flags);
static void scx_vexit(struct scx_sched *sch, enum scx_exit_kind kind,
        s64 exit_code, const char *fmt, va_list args);

static __printf(4, 5) void scx_exit(struct scx_sched *sch,
        enum scx_exit_kind kind, s64 exit_code,
        const char *fmt, ...)
{
 va_list args;

 va_start(args, fmt);
 scx_vexit(sch, kind, exit_code, fmt, args);
 va_end(args);
}

static __printf(3, 4) void scx_kf_exit(enum scx_exit_kind kind, s64 exit_code,
           const char *fmt, ...)
{
 struct scx_sched *sch;
 va_list args;

 rcu_read_lock();
 sch = rcu_dereference(scx_root);
 if (sch) {
  va_start(args, fmt);
  scx_vexit(sch, kind, exit_code, fmt, args);
  va_end(args);
 }
 rcu_read_unlock();
}

#define scx_error(sch, fmt, args...) scx_exit((sch), SCX_EXIT_ERROR, 0, fmt, ##args)
#define scx_kf_error(fmt, args...) scx_kf_exit(SCX_EXIT_ERROR, 0, fmt, ##args)

#define SCX_HAS_OP(sch, op) test_bit(SCX_OP_IDX(op), (sch)->has_op)

static long jiffies_delta_msecs(unsigned long at, unsigned long now)
{
 if (time_after(at, now))
  return jiffies_to_msecs(at - now);
 else
  return -(long)jiffies_to_msecs(now - at);
}

/* if the highest set bit is N, return a mask with bits [N+1, 31] set */
static u32 higher_bits(u32 flags)
{
 return ~((1 << fls(flags)) - 1);
}

/* return the mask with only the highest bit set */
static u32 highest_bit(u32 flags)
{
 int bit = fls(flags);
 return ((u64)1 << bit) >> 1;
}

static bool u32_before(u32 a, u32 b)
{
 return (s32)(a - b) < 0;
}

static struct scx_dispatch_q *find_global_dsq(struct task_struct *p)
{
 struct scx_sched *sch = scx_root;

 return sch->global_dsqs[cpu_to_node(task_cpu(p))];
}

static struct scx_dispatch_q *find_user_dsq(struct scx_sched *sch, u64 dsq_id)
{
 return rhashtable_lookup_fast(&sch->dsq_hash, &dsq_id, dsq_hash_params);
}

/*
 * scx_kf_mask enforcement. Some kfuncs can only be called from specific SCX
 * ops. When invoking SCX ops, SCX_CALL_OP[_RET]() should be used to indicate
 * the allowed kfuncs and those kfuncs should use scx_kf_allowed() to check
 * whether it's running from an allowed context.
 *
 * @mask is constant, always inline to cull the mask calculations.
 */
static __always_inline void scx_kf_allow(u32 mask)
{
 /* nesting is allowed only in increasing scx_kf_mask order */
 WARN_ONCE((mask | higher_bits(mask)) & current->scx.kf_mask,
    "invalid nesting current->scx.kf_mask=0x%x mask=0x%x\n",
    current->scx.kf_mask, mask);
 current->scx.kf_mask |= mask;
 barrier();
}

static void scx_kf_disallow(u32 mask)
{
 barrier();
 current->scx.kf_mask &= ~mask;
}

/*
 * Track the rq currently locked.
 *
 * This allows kfuncs to safely operate on rq from any scx ops callback,
 * knowing which rq is already locked.
 */
DEFINE_PER_CPU(struct rq *, scx_locked_rq_state);

static inline void update_locked_rq(struct rq *rq)
{
 /*
 * Check whether @rq is actually locked. This can help expose bugs
 * or incorrect assumptions about the context in which a kfunc or
 * callback is executed.
 */
 if (rq)
  lockdep_assert_rq_held(rq);
 __this_cpu_write(scx_locked_rq_state, rq);
}

#define SCX_CALL_OP(sch, mask, op, rq, args...)     \
do {          \
 if (rq)         \
  update_locked_rq(rq);      \
 if (mask) {        \
  scx_kf_allow(mask);      \
  (sch)->ops.op(args);      \
  scx_kf_disallow(mask);      \
 } else {        \
  (sch)->ops.op(args);      \
 }         \
 if (rq)         \
  update_locked_rq(NULL);      \
} while (0)

#define SCX_CALL_OP_RET(sch, mask, op, rq, args...)    \
({          \
 __typeof__((sch)->ops.op(args)) __ret;     \
          \
 if (rq)         \
  update_locked_rq(rq);      \
 if (mask) {        \
  scx_kf_allow(mask);      \
  __ret = (sch)->ops.op(args);     \
  scx_kf_disallow(mask);      \
 } else {        \
  __ret = (sch)->ops.op(args);     \
 }         \
 if (rq)         \
  update_locked_rq(NULL);      \
 __ret;         \
})

/*
 * Some kfuncs are allowed only on the tasks that are subjects of the
 * in-progress scx_ops operation for, e.g., locking guarantees. To enforce such
 * restrictions, the following SCX_CALL_OP_*() variants should be used when
 * invoking scx_ops operations that take task arguments. These can only be used
 * for non-nesting operations due to the way the tasks are tracked.
 *
 * kfuncs which can only operate on such tasks can in turn use
 * scx_kf_allowed_on_arg_tasks() to test whether the invocation is allowed on
 * the specific task.
 */
#define SCX_CALL_OP_TASK(sch, mask, op, rq, task, args...)   \
do {          \
 BUILD_BUG_ON((mask) & ~__SCX_KF_TERMINAL);    \
 current->scx.kf_tasks[0] = task;     \
 SCX_CALL_OP((sch), mask, op, rq, task, ##args);    \
 current->scx.kf_tasks[0] = NULL;     \
} while (0)

#define SCX_CALL_OP_TASK_RET(sch, mask, op, rq, task, args...)   \
({          \
 __typeof__((sch)->ops.op(task, ##args)) __ret;    \
 BUILD_BUG_ON((mask) & ~__SCX_KF_TERMINAL);    \
 current->scx.kf_tasks[0] = task;     \
 __ret = SCX_CALL_OP_RET((sch), mask, op, rq, task, ##args);  \
 current->scx.kf_tasks[0] = NULL;     \
 __ret;         \
})

#define SCX_CALL_OP_2TASKS_RET(sch, mask, op, rq, task0, task1, args...) \
({          \
 __typeof__((sch)->ops.op(task0, task1, ##args)) __ret;   \
 BUILD_BUG_ON((mask) & ~__SCX_KF_TERMINAL);    \
 current->scx.kf_tasks[0] = task0;     \
 current->scx.kf_tasks[1] = task1;     \
 __ret = SCX_CALL_OP_RET((sch), mask, op, rq, task0, task1, ##args); \
 current->scx.kf_tasks[0] = NULL;     \
 current->scx.kf_tasks[1] = NULL;     \
 __ret;         \
})

/* @mask is constant, always inline to cull unnecessary branches */
static __always_inline bool scx_kf_allowed(u32 mask)
{
 if (unlikely(!(current->scx.kf_mask & mask))) {
  scx_kf_error("kfunc with mask 0x%x called from an operation only allowing 0x%x",
        mask, current->scx.kf_mask);
  return false;
 }

 /*
 * Enforce nesting boundaries. e.g. A kfunc which can be called from
 * DISPATCH must not be called if we're running DEQUEUE which is nested
 * inside ops.dispatch(). We don't need to check boundaries for any
 * blocking kfuncs as the verifier ensures they're only called from
 * sleepable progs.
 */
 if (unlikely(highest_bit(mask) == SCX_KF_CPU_RELEASE &&
       (current->scx.kf_mask & higher_bits(SCX_KF_CPU_RELEASE)))) {
  scx_kf_error("cpu_release kfunc called from a nested operation");
  return false;
 }

 if (unlikely(highest_bit(mask) == SCX_KF_DISPATCH &&
       (current->scx.kf_mask & higher_bits(SCX_KF_DISPATCH)))) {
  scx_kf_error("dispatch kfunc called from a nested operation");
  return false;
 }

 return true;
}

/* see SCX_CALL_OP_TASK() */
static __always_inline bool scx_kf_allowed_on_arg_tasks(u32 mask,
       struct task_struct *p)
{
 if (!scx_kf_allowed(mask))
  return false;

 if (unlikely((p != current->scx.kf_tasks[0] &&
        p != current->scx.kf_tasks[1]))) {
  scx_kf_error("called on a task not being operated on");
  return false;
 }

 return true;
}

/**
 * nldsq_next_task - Iterate to the next task in a non-local DSQ
 * @dsq: user dsq being iterated
 * @cur: current position, %NULL to start iteration
 * @rev: walk backwards
 *
 * Returns %NULL when iteration is finished.
 */
static struct task_struct *nldsq_next_task(struct scx_dispatch_q *dsq,
        struct task_struct *cur, bool rev)
{
 struct list_head *list_node;
 struct scx_dsq_list_node *dsq_lnode;

 lockdep_assert_held(&dsq->lock);

 if (cur)
  list_node = &cur->scx.dsq_list.node;
 else
  list_node = &dsq->list;

 /* find the next task, need to skip BPF iteration cursors */
 do {
  if (rev)
   list_node = list_node->prev;
  else
   list_node = list_node->next;

  if (list_node == &dsq->list)
   return NULL;

  dsq_lnode = container_of(list_node, struct scx_dsq_list_node,
      node);
 } while (dsq_lnode->flags & SCX_DSQ_LNODE_ITER_CURSOR);

 return container_of(dsq_lnode, struct task_struct, scx.dsq_list);
}

#define nldsq_for_each_task(p, dsq)      \
 for ((p) = nldsq_next_task((dsq), NULL, false); (p);   \
      (p) = nldsq_next_task((dsq), (p), false))


/*
 * BPF DSQ iterator. Tasks in a non-local DSQ can be iterated in [reverse]
 * dispatch order. BPF-visible iterator is opaque and larger to allow future
 * changes without breaking backward compatibility. Can be used with
 * bpf_for_each(). See bpf_iter_scx_dsq_*().
 */
enum scx_dsq_iter_flags {
 /* iterate in the reverse dispatch order */
 SCX_DSQ_ITER_REV  = 1U << 16,

 __SCX_DSQ_ITER_HAS_SLICE = 1U << 30,
 __SCX_DSQ_ITER_HAS_VTIME = 1U << 31,

 __SCX_DSQ_ITER_USER_FLAGS = SCX_DSQ_ITER_REV,
 __SCX_DSQ_ITER_ALL_FLAGS = __SCX_DSQ_ITER_USER_FLAGS |
       __SCX_DSQ_ITER_HAS_SLICE |
       __SCX_DSQ_ITER_HAS_VTIME,
};

struct bpf_iter_scx_dsq_kern {
 struct scx_dsq_list_node cursor;
 struct scx_dispatch_q  *dsq;
 u64    slice;
 u64    vtime;
} __attribute__((aligned(8)));

struct bpf_iter_scx_dsq {
 u64    __opaque[6];
} __attribute__((aligned(8)));


/*
 * SCX task iterator.
 */
struct scx_task_iter {
 struct sched_ext_entity  cursor;
 struct task_struct  *locked;
 struct rq   *rq;
 struct rq_flags   rf;
 u32    cnt;
};

/**
 * scx_task_iter_start - Lock scx_tasks_lock and start a task iteration
 * @iter: iterator to init
 *
 * Initialize @iter and return with scx_tasks_lock held. Once initialized, @iter
 * must eventually be stopped with scx_task_iter_stop().
 *
 * scx_tasks_lock and the rq lock may be released using scx_task_iter_unlock()
 * between this and the first next() call or between any two next() calls. If
 * the locks are released between two next() calls, the caller is responsible
 * for ensuring that the task being iterated remains accessible either through
 * RCU read lock or obtaining a reference count.
 *
 * All tasks which existed when the iteration started are guaranteed to be
 * visited as long as they still exist.
 */
static void scx_task_iter_start(struct scx_task_iter *iter)
{
 BUILD_BUG_ON(__SCX_DSQ_ITER_ALL_FLAGS &
       ((1U << __SCX_DSQ_LNODE_PRIV_SHIFT) - 1));

 spin_lock_irq(&scx_tasks_lock);

 iter->cursor = (struct sched_ext_entity){ .flags = SCX_TASK_CURSOR };
 list_add(&iter->cursor.tasks_node, &scx_tasks);
 iter->locked = NULL;
 iter->cnt = 0;
}

static void __scx_task_iter_rq_unlock(struct scx_task_iter *iter)
{
 if (iter->locked) {
  task_rq_unlock(iter->rq, iter->locked, &iter->rf);
  iter->locked = NULL;
 }
}

/**
 * scx_task_iter_unlock - Unlock rq and scx_tasks_lock held by a task iterator
 * @iter: iterator to unlock
 *
 * If @iter is in the middle of a locked iteration, it may be locking the rq of
 * the task currently being visited in addition to scx_tasks_lock. Unlock both.
 * This function can be safely called anytime during an iteration.
 */
static void scx_task_iter_unlock(struct scx_task_iter *iter)
{
 __scx_task_iter_rq_unlock(iter);
 spin_unlock_irq(&scx_tasks_lock);
}

/**
 * scx_task_iter_relock - Lock scx_tasks_lock released by scx_task_iter_unlock()
 * @iter: iterator to re-lock
 *
 * Re-lock scx_tasks_lock unlocked by scx_task_iter_unlock(). Note that it
 * doesn't re-lock the rq lock. Must be called before other iterator operations.
 */
static void scx_task_iter_relock(struct scx_task_iter *iter)
{
 spin_lock_irq(&scx_tasks_lock);
}

/**
 * scx_task_iter_stop - Stop a task iteration and unlock scx_tasks_lock
 * @iter: iterator to exit
 *
 * Exit a previously initialized @iter. Must be called with scx_tasks_lock held
 * which is released on return. If the iterator holds a task's rq lock, that rq
 * lock is also released. See scx_task_iter_start() for details.
 */
static void scx_task_iter_stop(struct scx_task_iter *iter)
{
 list_del_init(&iter->cursor.tasks_node);
 scx_task_iter_unlock(iter);
}

/**
 * scx_task_iter_next - Next task
 * @iter: iterator to walk
 *
 * Visit the next task. See scx_task_iter_start() for details. Locks are dropped
 * and re-acquired every %SCX_TASK_ITER_BATCH iterations to avoid causing stalls
 * by holding scx_tasks_lock for too long.
 */
static struct task_struct *scx_task_iter_next(struct scx_task_iter *iter)
{
 struct list_head *cursor = &iter->cursor.tasks_node;
 struct sched_ext_entity *pos;

 if (!(++iter->cnt % SCX_TASK_ITER_BATCH)) {
  scx_task_iter_unlock(iter);
  cond_resched();
  scx_task_iter_relock(iter);
 }

 list_for_each_entry(pos, cursor, tasks_node) {
  if (&pos->tasks_node == &scx_tasks)
   return NULL;
  if (!(pos->flags & SCX_TASK_CURSOR)) {
   list_move(cursor, &pos->tasks_node);
   return container_of(pos, struct task_struct, scx);
  }
 }

 /* can't happen, should always terminate at scx_tasks above */
 BUG();
}

/**
 * scx_task_iter_next_locked - Next non-idle task with its rq locked
 * @iter: iterator to walk
 *
 * Visit the non-idle task with its rq lock held. Allows callers to specify
 * whether they would like to filter out dead tasks. See scx_task_iter_start()
 * for details.
 */
static struct task_struct *scx_task_iter_next_locked(struct scx_task_iter *iter)
{
 struct task_struct *p;

 __scx_task_iter_rq_unlock(iter);

 while ((p = scx_task_iter_next(iter))) {
  /*
 * scx_task_iter is used to prepare and move tasks into SCX
 * while loading the BPF scheduler and vice-versa while
 * unloading. The init_tasks ("swappers") should be excluded
 * from the iteration because:
 *
 * - It's unsafe to use __setschduler_prio() on an init_task to
 *   determine the sched_class to use as it won't preserve its
 *   idle_sched_class.
 *
 * - ops.init/exit_task() can easily be confused if called with
 *   init_tasks as they, e.g., share PID 0.
 *
 * As init_tasks are never scheduled through SCX, they can be
 * skipped safely. Note that is_idle_task() which tests %PF_IDLE
 * doesn't work here:
 *
 * - %PF_IDLE may not be set for an init_task whose CPU hasn't
 *   yet been onlined.
 *
 * - %PF_IDLE can be set on tasks that are not init_tasks. See
 *   play_idle_precise() used by CONFIG_IDLE_INJECT.
 *
 * Test for idle_sched_class as only init_tasks are on it.
 */
  if (p->sched_class != &idle_sched_class)
   break;
 }
 if (!p)
  return NULL;

 iter->rq = task_rq_lock(p, &iter->rf);
 iter->locked = p;

 return p;
}

/**
 * scx_add_event - Increase an event counter for 'name' by 'cnt'
 * @sch: scx_sched to account events for
 * @name: an event name defined in struct scx_event_stats
 * @cnt: the number of the event occurred
 *
 * This can be used when preemption is not disabled.
 */
#define scx_add_event(sch, name, cnt) do {     \
 this_cpu_add((sch)->pcpu->event_stats.name, (cnt));   \
 trace_sched_ext_event(#name, (cnt));     \
} while(0)

/**
 * __scx_add_event - Increase an event counter for 'name' by 'cnt'
 * @sch: scx_sched to account events for
 * @name: an event name defined in struct scx_event_stats
 * @cnt: the number of the event occurred
 *
 * This should be used only when preemption is disabled.
 */
#define __scx_add_event(sch, name, cnt) do {     \
 __this_cpu_add((sch)->pcpu->event_stats.name, (cnt));   \
 trace_sched_ext_event(#name, cnt);     \
} while(0)

/**
 * scx_agg_event - Aggregate an event counter 'kind' from 'src_e' to 'dst_e'
 * @dst_e: destination event stats
 * @src_e: source event stats
 * @kind: a kind of event to be aggregated
 */
#define scx_agg_event(dst_e, src_e, kind) do {     \
 (dst_e)->kind += READ_ONCE((src_e)->kind);    \
} while(0)

/**
 * scx_dump_event - Dump an event 'kind' in 'events' to 's'
 * @s: output seq_buf
 * @events: event stats
 * @kind: a kind of event to dump
 */
#define scx_dump_event(s, events, kind) do {     \
 dump_line(&(s), "%40s: %16lld", #kind, (events)->kind);   \
} while (0)


static void scx_read_events(struct scx_sched *sch,
       struct scx_event_stats *events);

static enum scx_enable_state scx_enable_state(void)
{
 return atomic_read(&scx_enable_state_var);
}

static enum scx_enable_state scx_set_enable_state(enum scx_enable_state to)
{
 return atomic_xchg(&scx_enable_state_var, to);
}

static bool scx_tryset_enable_state(enum scx_enable_state to,
        enum scx_enable_state from)
{
 int from_v = from;

 return atomic_try_cmpxchg(&scx_enable_state_var, &from_v, to);
}

/**
 * wait_ops_state - Busy-wait the specified ops state to end
 * @p: target task
 * @opss: state to wait the end of
 *
 * Busy-wait for @p to transition out of @opss. This can only be used when the
 * state part of @opss is %SCX_QUEUEING or %SCX_DISPATCHING. This function also
 * has load_acquire semantics to ensure that the caller can see the updates made
 * in the enqueueing and dispatching paths.
 */
static void wait_ops_state(struct task_struct *p, unsigned long opss)
{
 do {
  cpu_relax();
 } while (atomic_long_read_acquire(&p->scx.ops_state) == opss);
}

static inline bool __cpu_valid(s32 cpu)
{
 return likely(cpu >= 0 && cpu < nr_cpu_ids && cpu_possible(cpu));
}

/**
 * ops_cpu_valid - Verify a cpu number, to be used on ops input args
 * @sch: scx_sched to abort on error
 * @cpu: cpu number which came from a BPF ops
 * @where: extra information reported on error
 *
 * @cpu is a cpu number which came from the BPF scheduler and can be any value.
 * Verify that it is in range and one of the possible cpus. If invalid, trigger
 * an ops error.
 */
static bool ops_cpu_valid(struct scx_sched *sch, s32 cpu, const char *where)
{
 if (__cpu_valid(cpu)) {
  return true;
 } else {
  scx_error(sch, "invalid CPU %d%s%s", cpu, where ? " " : "", where ?: "");
  return false;
 }
}

/**
 * kf_cpu_valid - Verify a CPU number, to be used on kfunc input args
 * @cpu: cpu number which came from a BPF ops
 * @where: extra information reported on error
 *
 * The same as ops_cpu_valid() but @sch is implicit.
 */
static bool kf_cpu_valid(u32 cpu, const char *where)
{
 if (__cpu_valid(cpu)) {
  return true;
 } else {
  scx_kf_error("invalid CPU %d%s%s", cpu, where ? " " : "", where ?: "");
  return false;
 }
}

/**
 * ops_sanitize_err - Sanitize a -errno value
 * @sch: scx_sched to error out on error
 * @ops_name: operation to blame on failure
 * @err: -errno value to sanitize
 *
 * Verify @err is a valid -errno. If not, trigger scx_error() and return
 * -%EPROTO. This is necessary because returning a rogue -errno up the chain can
 * cause misbehaviors. For an example, a large negative return from
 * ops.init_task() triggers an oops when passed up the call chain because the
 * value fails IS_ERR() test after being encoded with ERR_PTR() and then is
 * handled as a pointer.
 */
static int ops_sanitize_err(struct scx_sched *sch, const char *ops_name, s32 err)
{
 if (err < 0 && err >= -MAX_ERRNO)
  return err;

 scx_error(sch, "ops.%s() returned an invalid errno %d", ops_name, err);
 return -EPROTO;
}

static void run_deferred(struct rq *rq)
{
 process_ddsp_deferred_locals(rq);
}

static void deferred_bal_cb_workfn(struct rq *rq)
{
 run_deferred(rq);
}

static void deferred_irq_workfn(struct irq_work *irq_work)
{
 struct rq *rq = container_of(irq_work, struct rq, scx.deferred_irq_work);

 raw_spin_rq_lock(rq);
 run_deferred(rq);
 raw_spin_rq_unlock(rq);
}

/**
 * schedule_deferred - Schedule execution of deferred actions on an rq
 * @rq: target rq
 *
 * Schedule execution of deferred actions on @rq. Must be called with @rq
 * locked. Deferred actions are executed with @rq locked but unpinned, and thus
 * can unlock @rq to e.g. migrate tasks to other rqs.
 */
static void schedule_deferred(struct rq *rq)
{
 lockdep_assert_rq_held(rq);

 /*
 * If in the middle of waking up a task, task_woken_scx() will be called
 * afterwards which will then run the deferred actions, no need to
 * schedule anything.
 */
 if (rq->scx.flags & SCX_RQ_IN_WAKEUP)
  return;

 /*
 * If in balance, the balance callbacks will be called before rq lock is
 * released. Schedule one.
 */
 if (rq->scx.flags & SCX_RQ_IN_BALANCE) {
  queue_balance_callback(rq, &rq->scx.deferred_bal_cb,
           deferred_bal_cb_workfn);
  return;
 }

 /*
 * No scheduler hooks available. Queue an irq work. They are executed on
 * IRQ re-enable which may take a bit longer than the scheduler hooks.
 * The above WAKEUP and BALANCE paths should cover most of the cases and
 * the time to IRQ re-enable shouldn't be long.
 */
 irq_work_queue(&rq->scx.deferred_irq_work);
}

/**
 * touch_core_sched - Update timestamp used for core-sched task ordering
 * @rq: rq to read clock from, must be locked
 * @p: task to update the timestamp for
 *
 * Update @p->scx.core_sched_at timestamp. This is used by scx_prio_less() to
 * implement global or local-DSQ FIFO ordering for core-sched. Should be called
 * when a task becomes runnable and its turn on the CPU ends (e.g. slice
 * exhaustion).
 */
static void touch_core_sched(struct rq *rq, struct task_struct *p)
{
 lockdep_assert_rq_held(rq);

#ifdef CONFIG_SCHED_CORE
 /*
 * It's okay to update the timestamp spuriously. Use
 * sched_core_disabled() which is cheaper than enabled().
 *
 * As this is used to determine ordering between tasks of sibling CPUs,
 * it may be better to use per-core dispatch sequence instead.
 */
 if (!sched_core_disabled())
  p->scx.core_sched_at = sched_clock_cpu(cpu_of(rq));
#endif
}

/**
 * touch_core_sched_dispatch - Update core-sched timestamp on dispatch
 * @rq: rq to read clock from, must be locked
 * @p: task being dispatched
 *
 * If the BPF scheduler implements custom core-sched ordering via
 * ops.core_sched_before(), @p->scx.core_sched_at is used to implement FIFO
 * ordering within each local DSQ. This function is called from dispatch paths
 * and updates @p->scx.core_sched_at if custom core-sched ordering is in effect.
 */
static void touch_core_sched_dispatch(struct rq *rq, struct task_struct *p)
{
 lockdep_assert_rq_held(rq);

#ifdef CONFIG_SCHED_CORE
 if (unlikely(SCX_HAS_OP(scx_root, core_sched_before)))
  touch_core_sched(rq, p);
#endif
}

static void update_curr_scx(struct rq *rq)
{
 struct task_struct *curr = rq->curr;
 s64 delta_exec;

 delta_exec = update_curr_common(rq);
 if (unlikely(delta_exec <= 0))
  return;

 if (curr->scx.slice != SCX_SLICE_INF) {
  curr->scx.slice -= min_t(u64, curr->scx.slice, delta_exec);
  if (!curr->scx.slice)
   touch_core_sched(rq, curr);
 }
}

static bool scx_dsq_priq_less(struct rb_node *node_a,
         const struct rb_node *node_b)
{
 const struct task_struct *a =
  container_of(node_a, struct task_struct, scx.dsq_priq);
 const struct task_struct *b =
  container_of(node_b, struct task_struct, scx.dsq_priq);

 return time_before64(a->scx.dsq_vtime, b->scx.dsq_vtime);
}

static void dsq_mod_nr(struct scx_dispatch_q *dsq, s32 delta)
{
 /* scx_bpf_dsq_nr_queued() reads ->nr without locking, use WRITE_ONCE() */
 WRITE_ONCE(dsq->nr, dsq->nr + delta);
}

static void refill_task_slice_dfl(struct task_struct *p)
{
 p->scx.slice = SCX_SLICE_DFL;
 __scx_add_event(scx_root, SCX_EV_REFILL_SLICE_DFL, 1);
}

static void dispatch_enqueue(struct scx_sched *sch, struct scx_dispatch_q *dsq,
        struct task_struct *p, u64 enq_flags)
{
 bool is_local = dsq->id == SCX_DSQ_LOCAL;

 WARN_ON_ONCE(p->scx.dsq || !list_empty(&p->scx.dsq_list.node));
 WARN_ON_ONCE((p->scx.dsq_flags & SCX_TASK_DSQ_ON_PRIQ) ||
       !RB_EMPTY_NODE(&p->scx.dsq_priq));

 if (!is_local) {
  raw_spin_lock(&dsq->lock);
  if (unlikely(dsq->id == SCX_DSQ_INVALID)) {
   scx_error(sch, "attempting to dispatch to a destroyed dsq");
   /* fall back to the global dsq */
   raw_spin_unlock(&dsq->lock);
   dsq = find_global_dsq(p);
   raw_spin_lock(&dsq->lock);
  }
 }

 if (unlikely((dsq->id & SCX_DSQ_FLAG_BUILTIN) &&
       (enq_flags & SCX_ENQ_DSQ_PRIQ))) {
  /*
 * SCX_DSQ_LOCAL and SCX_DSQ_GLOBAL DSQs always consume from
 * their FIFO queues. To avoid confusion and accidentally
 * starving vtime-dispatched tasks by FIFO-dispatched tasks, we
 * disallow any internal DSQ from doing vtime ordering of
 * tasks.
 */
  scx_error(sch, "cannot use vtime ordering for built-in DSQs");
  enq_flags &= ~SCX_ENQ_DSQ_PRIQ;
 }

 if (enq_flags & SCX_ENQ_DSQ_PRIQ) {
  struct rb_node *rbp;

  /*
 * A PRIQ DSQ shouldn't be using FIFO enqueueing. As tasks are
 * linked to both the rbtree and list on PRIQs, this can only be
 * tested easily when adding the first task.
 */
  if (unlikely(RB_EMPTY_ROOT(&dsq->priq) &&
        nldsq_next_task(dsq, NULL, false)))
   scx_error(sch, "DSQ ID 0x%016llx already had FIFO-enqueued tasks",
      dsq->id);

  p->scx.dsq_flags |= SCX_TASK_DSQ_ON_PRIQ;
  rb_add(&p->scx.dsq_priq, &dsq->priq, scx_dsq_priq_less);

  /*
 * Find the previous task and insert after it on the list so
 * that @dsq->list is vtime ordered.
 */
  rbp = rb_prev(&p->scx.dsq_priq);
  if (rbp) {
   struct task_struct *prev =
    container_of(rbp, struct task_struct,
          scx.dsq_priq);
   list_add(&p->scx.dsq_list.node, &prev->scx.dsq_list.node);
  } else {
   list_add(&p->scx.dsq_list.node, &dsq->list);
  }
 } else {
  /* a FIFO DSQ shouldn't be using PRIQ enqueuing */
  if (unlikely(!RB_EMPTY_ROOT(&dsq->priq)))
   scx_error(sch, "DSQ ID 0x%016llx already had PRIQ-enqueued tasks",
      dsq->id);

  if (enq_flags & (SCX_ENQ_HEAD | SCX_ENQ_PREEMPT))
   list_add(&p->scx.dsq_list.node, &dsq->list);
  else
   list_add_tail(&p->scx.dsq_list.node, &dsq->list);
 }

 /* seq records the order tasks are queued, used by BPF DSQ iterator */
 dsq->seq++;
 p->scx.dsq_seq = dsq->seq;

 dsq_mod_nr(dsq, 1);
 p->scx.dsq = dsq;

 /*
 * scx.ddsp_dsq_id and scx.ddsp_enq_flags are only relevant on the
 * direct dispatch path, but we clear them here because the direct
 * dispatch verdict may be overridden on the enqueue path during e.g.
 * bypass.
 */
 p->scx.ddsp_dsq_id = SCX_DSQ_INVALID;
 p->scx.ddsp_enq_flags = 0;

 /*
 * We're transitioning out of QUEUEING or DISPATCHING. store_release to
 * match waiters' load_acquire.
 */
 if (enq_flags & SCX_ENQ_CLEAR_OPSS)
  atomic_long_set_release(&p->scx.ops_state, SCX_OPSS_NONE);

 if (is_local) {
  struct rq *rq = container_of(dsq, struct rq, scx.local_dsq);
  bool preempt = false;

  if ((enq_flags & SCX_ENQ_PREEMPT) && p != rq->curr &&
      rq->curr->sched_class == &ext_sched_class) {
   rq->curr->scx.slice = 0;
   preempt = true;
  }

  if (preempt || sched_class_above(&ext_sched_class,
       rq->curr->sched_class))
   resched_curr(rq);
 } else {
  raw_spin_unlock(&dsq->lock);
 }
}

static void task_unlink_from_dsq(struct task_struct *p,
     struct scx_dispatch_q *dsq)
{
 WARN_ON_ONCE(list_empty(&p->scx.dsq_list.node));

 if (p->scx.dsq_flags & SCX_TASK_DSQ_ON_PRIQ) {
  rb_erase(&p->scx.dsq_priq, &dsq->priq);
  RB_CLEAR_NODE(&p->scx.dsq_priq);
  p->scx.dsq_flags &= ~SCX_TASK_DSQ_ON_PRIQ;
 }

 list_del_init(&p->scx.dsq_list.node);
 dsq_mod_nr(dsq, -1);
}

static void dispatch_dequeue(struct rq *rq, struct task_struct *p)
{
 struct scx_dispatch_q *dsq = p->scx.dsq;
 bool is_local = dsq == &rq->scx.local_dsq;

 if (!dsq) {
  /*
 * If !dsq && on-list, @p is on @rq's ddsp_deferred_locals.
 * Unlinking is all that's needed to cancel.
 */
  if (unlikely(!list_empty(&p->scx.dsq_list.node)))
   list_del_init(&p->scx.dsq_list.node);

  /*
 * When dispatching directly from the BPF scheduler to a local
 * DSQ, the task isn't associated with any DSQ but
 * @p->scx.holding_cpu may be set under the protection of
 * %SCX_OPSS_DISPATCHING.
 */
  if (p->scx.holding_cpu >= 0)
   p->scx.holding_cpu = -1;

  return;
 }

 if (!is_local)
  raw_spin_lock(&dsq->lock);

 /*
 * Now that we hold @dsq->lock, @p->holding_cpu and @p->scx.dsq_* can't
 * change underneath us.
*/
 if (p->scx.holding_cpu < 0) {
  /* @p must still be on @dsq, dequeue */
  task_unlink_from_dsq(p, dsq);
 } else {
  /*
 * We're racing against dispatch_to_local_dsq() which already
 * removed @p from @dsq and set @p->scx.holding_cpu. Clear the
 * holding_cpu which tells dispatch_to_local_dsq() that it lost
 * the race.
 */
  WARN_ON_ONCE(!list_empty(&p->scx.dsq_list.node));
  p->scx.holding_cpu = -1;
 }
 p->scx.dsq = NULL;

 if (!is_local)
  raw_spin_unlock(&dsq->lock);
}

static struct scx_dispatch_q *find_dsq_for_dispatch(struct scx_sched *sch,
          struct rq *rq, u64 dsq_id,
          struct task_struct *p)
{
 struct scx_dispatch_q *dsq;

 if (dsq_id == SCX_DSQ_LOCAL)
  return &rq->scx.local_dsq;

 if ((dsq_id & SCX_DSQ_LOCAL_ON) == SCX_DSQ_LOCAL_ON) {
  s32 cpu = dsq_id & SCX_DSQ_LOCAL_CPU_MASK;

  if (!ops_cpu_valid(sch, cpu, "in SCX_DSQ_LOCAL_ON dispatch verdict"))
   return find_global_dsq(p);

  return &cpu_rq(cpu)->scx.local_dsq;
 }

 if (dsq_id == SCX_DSQ_GLOBAL)
  dsq = find_global_dsq(p);
 else
  dsq = find_user_dsq(sch, dsq_id);

 if (unlikely(!dsq)) {
  scx_error(sch, "non-existent DSQ 0x%llx for %s[%d]",
     dsq_id, p->comm, p->pid);
  return find_global_dsq(p);
 }

 return dsq;
}

static void mark_direct_dispatch(struct task_struct *ddsp_task,
     struct task_struct *p, u64 dsq_id,
     u64 enq_flags)
{
 /*
 * Mark that dispatch already happened from ops.select_cpu() or
 * ops.enqueue() by spoiling direct_dispatch_task with a non-NULL value
 * which can never match a valid task pointer.
 */
 __this_cpu_write(direct_dispatch_task, ERR_PTR(-ESRCH));

 /* @p must match the task on the enqueue path */
 if (unlikely(p != ddsp_task)) {
  if (IS_ERR(ddsp_task))
   scx_kf_error("%s[%d] already direct-dispatched",
      p->comm, p->pid);
  else
   scx_kf_error("scheduling for %s[%d] but trying to direct-dispatch %s[%d]",
      ddsp_task->comm, ddsp_task->pid,
      p->comm, p->pid);
  return;
 }

 WARN_ON_ONCE(p->scx.ddsp_dsq_id != SCX_DSQ_INVALID);
 WARN_ON_ONCE(p->scx.ddsp_enq_flags);

 p->scx.ddsp_dsq_id = dsq_id;
 p->scx.ddsp_enq_flags = enq_flags;
}

static void direct_dispatch(struct scx_sched *sch, struct task_struct *p,
       u64 enq_flags)
{
 struct rq *rq = task_rq(p);
 struct scx_dispatch_q *dsq =
  find_dsq_for_dispatch(sch, rq, p->scx.ddsp_dsq_id, p);

 touch_core_sched_dispatch(rq, p);

 p->scx.ddsp_enq_flags |= enq_flags;

 /*
 * We are in the enqueue path with @rq locked and pinned, and thus can't
 * double lock a remote rq and enqueue to its local DSQ. For
 * DSQ_LOCAL_ON verdicts targeting the local DSQ of a remote CPU, defer
 * the enqueue so that it's executed when @rq can be unlocked.
 */
 if (dsq->id == SCX_DSQ_LOCAL && dsq != &rq->scx.local_dsq) {
  unsigned long opss;

  opss = atomic_long_read(&p->scx.ops_state) & SCX_OPSS_STATE_MASK;

  switch (opss & SCX_OPSS_STATE_MASK) {
  case SCX_OPSS_NONE:
   break;
  case SCX_OPSS_QUEUEING:
   /*
 * As @p was never passed to the BPF side, _release is
 * not strictly necessary. Still do it for consistency.
 */
   atomic_long_set_release(&p->scx.ops_state, SCX_OPSS_NONE);
   break;
  default:
   WARN_ONCE(true, "sched_ext: %s[%d] has invalid ops state 0x%lx in direct_dispatch()",
      p->comm, p->pid, opss);
   atomic_long_set_release(&p->scx.ops_state, SCX_OPSS_NONE);
   break;
  }

  WARN_ON_ONCE(p->scx.dsq || !list_empty(&p->scx.dsq_list.node));
  list_add_tail(&p->scx.dsq_list.node,
         &rq->scx.ddsp_deferred_locals);
  schedule_deferred(rq);
  return;
 }

 dispatch_enqueue(sch, dsq, p,
    p->scx.ddsp_enq_flags | SCX_ENQ_CLEAR_OPSS);
}

static bool scx_rq_online(struct rq *rq)
{
 /*
 * Test both cpu_active() and %SCX_RQ_ONLINE. %SCX_RQ_ONLINE indicates
 * the online state as seen from the BPF scheduler. cpu_active() test
 * guarantees that, if this function returns %true, %SCX_RQ_ONLINE will
 * stay set until the current scheduling operation is complete even if
 * we aren't locking @rq.
 */
 return likely((rq->scx.flags & SCX_RQ_ONLINE) && cpu_active(cpu_of(rq)));
}

static void do_enqueue_task(struct rq *rq, struct task_struct *p, u64 enq_flags,
       int sticky_cpu)
{
 struct scx_sched *sch = scx_root;
 struct task_struct **ddsp_taskp;
 unsigned long qseq;

 WARN_ON_ONCE(!(p->scx.flags & SCX_TASK_QUEUED));

 /* rq migration */
 if (sticky_cpu == cpu_of(rq))
  goto local_norefill;

 /*
 * If !scx_rq_online(), we already told the BPF scheduler that the CPU
 * is offline and are just running the hotplug path. Don't bother the
 * BPF scheduler.
 */
 if (!scx_rq_online(rq))
  goto local;

 if (scx_rq_bypassing(rq)) {
  __scx_add_event(sch, SCX_EV_BYPASS_DISPATCH, 1);
  goto global;
 }

 if (p->scx.ddsp_dsq_id != SCX_DSQ_INVALID)
  goto direct;

 /* see %SCX_OPS_ENQ_EXITING */
 if (!(sch->ops.flags & SCX_OPS_ENQ_EXITING) &&
     unlikely(p->flags & PF_EXITING)) {
  __scx_add_event(sch, SCX_EV_ENQ_SKIP_EXITING, 1);
  goto local;
 }

 /* see %SCX_OPS_ENQ_MIGRATION_DISABLED */
 if (!(sch->ops.flags & SCX_OPS_ENQ_MIGRATION_DISABLED) &&
     is_migration_disabled(p)) {
  __scx_add_event(sch, SCX_EV_ENQ_SKIP_MIGRATION_DISABLED, 1);
  goto local;
 }

 if (unlikely(!SCX_HAS_OP(sch, enqueue)))
  goto global;

 /* DSQ bypass didn't trigger, enqueue on the BPF scheduler */
 qseq = rq->scx.ops_qseq++ << SCX_OPSS_QSEQ_SHIFT;

 WARN_ON_ONCE(atomic_long_read(&p->scx.ops_state) != SCX_OPSS_NONE);
 atomic_long_set(&p->scx.ops_state, SCX_OPSS_QUEUEING | qseq);

 ddsp_taskp = this_cpu_ptr(&direct_dispatch_task);
 WARN_ON_ONCE(*ddsp_taskp);
 *ddsp_taskp = p;

 SCX_CALL_OP_TASK(sch, SCX_KF_ENQUEUE, enqueue, rq, p, enq_flags);

 *ddsp_taskp = NULL;
 if (p->scx.ddsp_dsq_id != SCX_DSQ_INVALID)
  goto direct;

 /*
 * If not directly dispatched, QUEUEING isn't clear yet and dispatch or
 * dequeue may be waiting. The store_release matches their load_acquire.
 */
 atomic_long_set_release(&p->scx.ops_state, SCX_OPSS_QUEUED | qseq);
 return;

direct:
 direct_dispatch(sch, p, enq_flags);
 return;

local:
 /*
 * For task-ordering, slice refill must be treated as implying the end
 * of the current slice. Otherwise, the longer @p stays on the CPU, the
 * higher priority it becomes from scx_prio_less()'s POV.
 */
 touch_core_sched(rq, p);
 refill_task_slice_dfl(p);
local_norefill:
 dispatch_enqueue(sch, &rq->scx.local_dsq, p, enq_flags);
 return;

global:
 touch_core_sched(rq, p); /* see the comment in local: */
 refill_task_slice_dfl(p);
 dispatch_enqueue(sch, find_global_dsq(p), p, enq_flags);
}

static bool task_runnable(const struct task_struct *p)
{
 return !list_empty(&p->scx.runnable_node);
}

static void set_task_runnable(struct rq *rq, struct task_struct *p)
{
 lockdep_assert_rq_held(rq);

 if (p->scx.flags & SCX_TASK_RESET_RUNNABLE_AT) {
  p->scx.runnable_at = jiffies;
  p->scx.flags &= ~SCX_TASK_RESET_RUNNABLE_AT;
 }

 /*
 * list_add_tail() must be used. scx_bypass() depends on tasks being
 * appended to the runnable_list.
 */
 list_add_tail(&p->scx.runnable_node, &rq->scx.runnable_list);
}

static void clr_task_runnable(struct task_struct *p, bool reset_runnable_at)
{
 list_del_init(&p->scx.runnable_node);
 if (reset_runnable_at)
  p->scx.flags |= SCX_TASK_RESET_RUNNABLE_AT;
}

static void enqueue_task_scx(struct rq *rq, struct task_struct *p, int enq_flags)
{
 struct scx_sched *sch = scx_root;
 int sticky_cpu = p->scx.sticky_cpu;

 if (enq_flags & ENQUEUE_WAKEUP)
  rq->scx.flags |= SCX_RQ_IN_WAKEUP;

 enq_flags |= rq->scx.extra_enq_flags;

 if (sticky_cpu >= 0)
  p->scx.sticky_cpu = -1;

 /*
 * Restoring a running task will be immediately followed by
 * set_next_task_scx() which expects the task to not be on the BPF
 * scheduler as tasks can only start running through local DSQs. Force
 * direct-dispatch into the local DSQ by setting the sticky_cpu.
 */
 if (unlikely(enq_flags & ENQUEUE_RESTORE) && task_current(rq, p))
  sticky_cpu = cpu_of(rq);

 if (p->scx.flags & SCX_TASK_QUEUED) {
  WARN_ON_ONCE(!task_runnable(p));
  goto out;
 }

 set_task_runnable(rq, p);
 p->scx.flags |= SCX_TASK_QUEUED;
 rq->scx.nr_running++;
 add_nr_running(rq, 1);

 if (SCX_HAS_OP(sch, runnable) && !task_on_rq_migrating(p))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, runnable, rq, p, enq_flags);

 if (enq_flags & SCX_ENQ_WAKEUP)
  touch_core_sched(rq, p);

 do_enqueue_task(rq, p, enq_flags, sticky_cpu);
out:
 rq->scx.flags &= ~SCX_RQ_IN_WAKEUP;

 if ((enq_flags & SCX_ENQ_CPU_SELECTED) &&
     unlikely(cpu_of(rq) != p->scx.selected_cpu))
  __scx_add_event(sch, SCX_EV_SELECT_CPU_FALLBACK, 1);
}

static void ops_dequeue(struct rq *rq, struct task_struct *p, u64 deq_flags)
{
 struct scx_sched *sch = scx_root;
 unsigned long opss;

 /* dequeue is always temporary, don't reset runnable_at */
 clr_task_runnable(p, false);

 /* acquire ensures that we see the preceding updates on QUEUED */
 opss = atomic_long_read_acquire(&p->scx.ops_state);

 switch (opss & SCX_OPSS_STATE_MASK) {
 case SCX_OPSS_NONE:
  break;
 case SCX_OPSS_QUEUEING:
  /*
 * QUEUEING is started and finished while holding @p's rq lock.
 * As we're holding the rq lock now, we shouldn't see QUEUEING.
 */
  BUG();
 case SCX_OPSS_QUEUED:
  if (SCX_HAS_OP(sch, dequeue))
   SCX_CALL_OP_TASK(sch, SCX_KF_REST, dequeue, rq,
      p, deq_flags);

  if (atomic_long_try_cmpxchg(&p->scx.ops_state, &opss,
         SCX_OPSS_NONE))
   break;
  fallthrough;
 case SCX_OPSS_DISPATCHING:
  /*
 * If @p is being dispatched from the BPF scheduler to a DSQ,
 * wait for the transfer to complete so that @p doesn't get
 * added to its DSQ after dequeueing is complete.
 *
 * As we're waiting on DISPATCHING with the rq locked, the
 * dispatching side shouldn't try to lock the rq while
 * DISPATCHING is set. See dispatch_to_local_dsq().
 *
 * DISPATCHING shouldn't have qseq set and control can reach
 * here with NONE @opss from the above QUEUED case block.
 * Explicitly wait on %SCX_OPSS_DISPATCHING instead of @opss.
 */
  wait_ops_state(p, SCX_OPSS_DISPATCHING);
  BUG_ON(atomic_long_read(&p->scx.ops_state) != SCX_OPSS_NONE);
  break;
 }
}

static bool dequeue_task_scx(struct rq *rq, struct task_struct *p, int deq_flags)
{
 struct scx_sched *sch = scx_root;

 if (!(p->scx.flags & SCX_TASK_QUEUED)) {
  WARN_ON_ONCE(task_runnable(p));
  return true;
 }

 ops_dequeue(rq, p, deq_flags);

 /*
 * A currently running task which is going off @rq first gets dequeued
 * and then stops running. As we want running <-> stopping transitions
 * to be contained within runnable <-> quiescent transitions, trigger
 * ->stopping() early here instead of in put_prev_task_scx().
 *
 * @p may go through multiple stopping <-> running transitions between
 * here and put_prev_task_scx() if task attribute changes occur while
 * balance_scx() leaves @rq unlocked. However, they don't contain any
 * information meaningful to the BPF scheduler and can be suppressed by
 * skipping the callbacks if the task is !QUEUED.
 */
 if (SCX_HAS_OP(sch, stopping) && task_current(rq, p)) {
  update_curr_scx(rq);
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, stopping, rq, p, false);
 }

 if (SCX_HAS_OP(sch, quiescent) && !task_on_rq_migrating(p))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, quiescent, rq, p, deq_flags);

 if (deq_flags & SCX_DEQ_SLEEP)
  p->scx.flags |= SCX_TASK_DEQD_FOR_SLEEP;
 else
  p->scx.flags &= ~SCX_TASK_DEQD_FOR_SLEEP;

 p->scx.flags &= ~SCX_TASK_QUEUED;
 rq->scx.nr_running--;
 sub_nr_running(rq, 1);

 dispatch_dequeue(rq, p);
 return true;
}

static void yield_task_scx(struct rq *rq)
{
 struct scx_sched *sch = scx_root;
 struct task_struct *p = rq->curr;

 if (SCX_HAS_OP(sch, yield))
  SCX_CALL_OP_2TASKS_RET(sch, SCX_KF_REST, yield, rq, p, NULL);
 else
  p->scx.slice = 0;
}

static bool yield_to_task_scx(struct rq *rq, struct task_struct *to)
{
 struct scx_sched *sch = scx_root;
 struct task_struct *from = rq->curr;

 if (SCX_HAS_OP(sch, yield))
  return SCX_CALL_OP_2TASKS_RET(sch, SCX_KF_REST, yield, rq,
           from, to);
 else
  return false;
}

static void move_local_task_to_local_dsq(struct task_struct *p, u64 enq_flags,
      struct scx_dispatch_q *src_dsq,
      struct rq *dst_rq)
{
 struct scx_dispatch_q *dst_dsq = &dst_rq->scx.local_dsq;

 /* @dsq is locked and @p is on @dst_rq */
 lockdep_assert_held(&src_dsq->lock);
 lockdep_assert_rq_held(dst_rq);

 WARN_ON_ONCE(p->scx.holding_cpu >= 0);

 if (enq_flags & (SCX_ENQ_HEAD | SCX_ENQ_PREEMPT))
  list_add(&p->scx.dsq_list.node, &dst_dsq->list);
 else
  list_add_tail(&p->scx.dsq_list.node, &dst_dsq->list);

 dsq_mod_nr(dst_dsq, 1);
 p->scx.dsq = dst_dsq;
}

/**
 * move_remote_task_to_local_dsq - Move a task from a foreign rq to a local DSQ
 * @p: task to move
 * @enq_flags: %SCX_ENQ_*
 * @src_rq: rq to move the task from, locked on entry, released on return
 * @dst_rq: rq to move the task into, locked on return
 *
 * Move @p which is currently on @src_rq to @dst_rq's local DSQ.
 */
static void move_remote_task_to_local_dsq(struct task_struct *p, u64 enq_flags,
       struct rq *src_rq, struct rq *dst_rq)
{
 lockdep_assert_rq_held(src_rq);

 /* the following marks @p MIGRATING which excludes dequeue */
 deactivate_task(src_rq, p, 0);
 set_task_cpu(p, cpu_of(dst_rq));
 p->scx.sticky_cpu = cpu_of(dst_rq);

 raw_spin_rq_unlock(src_rq);
 raw_spin_rq_lock(dst_rq);

 /*
 * We want to pass scx-specific enq_flags but activate_task() will
 * truncate the upper 32 bit. As we own @rq, we can pass them through
 * @rq->scx.extra_enq_flags instead.
 */
 WARN_ON_ONCE(!cpumask_test_cpu(cpu_of(dst_rq), p->cpus_ptr));
 WARN_ON_ONCE(dst_rq->scx.extra_enq_flags);
 dst_rq->scx.extra_enq_flags = enq_flags;
 activate_task(dst_rq, p, 0);
 dst_rq->scx.extra_enq_flags = 0;
}

/*
 * Similar to kernel/sched/core.c::is_cpu_allowed(). However, there are two
 * differences:
 *
 * - is_cpu_allowed() asks "Can this task run on this CPU?" while
 *   task_can_run_on_remote_rq() asks "Can the BPF scheduler migrate the task to
 *   this CPU?".
 *
 *   While migration is disabled, is_cpu_allowed() has to say "yes" as the task
 *   must be allowed to finish on the CPU that it's currently on regardless of
 *   the CPU state. However, task_can_run_on_remote_rq() must say "no" as the
 *   BPF scheduler shouldn't attempt to migrate a task which has migration
 *   disabled.
 *
 * - The BPF scheduler is bypassed while the rq is offline and we can always say
 *   no to the BPF scheduler initiated migrations while offline.
 *
 * The caller must ensure that @p and @rq are on different CPUs.
 */
static bool task_can_run_on_remote_rq(struct scx_sched *sch,
          struct task_struct *p, struct rq *rq,
          bool enforce)
{
 int cpu = cpu_of(rq);

 WARN_ON_ONCE(task_cpu(p) == cpu);

 /*
 * If @p has migration disabled, @p->cpus_ptr is updated to contain only
 * the pinned CPU in migrate_disable_switch() while @p is being switched
 * out. However, put_prev_task_scx() is called before @p->cpus_ptr is
 * updated and thus another CPU may see @p on a DSQ inbetween leading to
 * @p passing the below task_allowed_on_cpu() check while migration is
 * disabled.
 *
 * Test the migration disabled state first as the race window is narrow
 * and the BPF scheduler failing to check migration disabled state can
 * easily be masked if task_allowed_on_cpu() is done first.
 */
 if (unlikely(is_migration_disabled(p))) {
  if (enforce)
   scx_error(sch, "SCX_DSQ_LOCAL[_ON] cannot move migration disabled %s[%d] from CPU %d to %d",
      p->comm, p->pid, task_cpu(p), cpu);
  return false;
 }

 /*
 * We don't require the BPF scheduler to avoid dispatching to offline
 * CPUs mostly for convenience but also because CPUs can go offline
 * between scx_bpf_dsq_insert() calls and here. Trigger error iff the
 * picked CPU is outside the allowed mask.
 */
 if (!task_allowed_on_cpu(p, cpu)) {
  if (enforce)
   scx_error(sch, "SCX_DSQ_LOCAL[_ON] target CPU %d not allowed for %s[%d]",
      cpu, p->comm, p->pid);
  return false;
 }

 if (!scx_rq_online(rq)) {
  if (enforce)
   __scx_add_event(scx_root,
     SCX_EV_DISPATCH_LOCAL_DSQ_OFFLINE, 1);
  return false;
 }

 return true;
}

/**
 * unlink_dsq_and_lock_src_rq() - Unlink task from its DSQ and lock its task_rq
 * @p: target task
 * @dsq: locked DSQ @p is currently on
 * @src_rq: rq @p is currently on, stable with @dsq locked
 *
 * Called with @dsq locked but no rq's locked. We want to move @p to a different
 * DSQ, including any local DSQ, but are not locking @src_rq. Locking @src_rq is
 * required when transferring into a local DSQ. Even when transferring into a
 * non-local DSQ, it's better to use the same mechanism to protect against
 * dequeues and maintain the invariant that @p->scx.dsq can only change while
 * @src_rq is locked, which e.g. scx_dump_task() depends on.
 *
 * We want to grab @src_rq but that can deadlock if we try while locking @dsq,
 * so we want to unlink @p from @dsq, drop its lock and then lock @src_rq. As
 * this may race with dequeue, which can't drop the rq lock or fail, do a little
 * dancing from our side.
 *
 * @p->scx.holding_cpu is set to this CPU before @dsq is unlocked. If @p gets
 * dequeued after we unlock @dsq but before locking @src_rq, the holding_cpu
 * would be cleared to -1. While other cpus may have updated it to different
 * values afterwards, as this operation can't be preempted or recurse, the
 * holding_cpu can never become this CPU again before we're done. Thus, we can
 * tell whether we lost to dequeue by testing whether the holding_cpu still
 * points to this CPU. See dispatch_dequeue() for the counterpart.
 *
 * On return, @dsq is unlocked and @src_rq is locked. Returns %true if @p is
 * still valid. %false if lost to dequeue.
 */
static bool unlink_dsq_and_lock_src_rq(struct task_struct *p,
           struct scx_dispatch_q *dsq,
           struct rq *src_rq)
{
 s32 cpu = raw_smp_processor_id();

 lockdep_assert_held(&dsq->lock);

 WARN_ON_ONCE(p->scx.holding_cpu >= 0);
 task_unlink_from_dsq(p, dsq);
 p->scx.holding_cpu = cpu;

 raw_spin_unlock(&dsq->lock);
 raw_spin_rq_lock(src_rq);

 /* task_rq couldn't have changed if we're still the holding cpu */
 return likely(p->scx.holding_cpu == cpu) &&
  !WARN_ON_ONCE(src_rq != task_rq(p));
}

static bool consume_remote_task(struct rq *this_rq, struct task_struct *p,
    struct scx_dispatch_q *dsq, struct rq *src_rq)
{
 raw_spin_rq_unlock(this_rq);

 if (unlink_dsq_and_lock_src_rq(p, dsq, src_rq)) {
  move_remote_task_to_local_dsq(p, 0, src_rq, this_rq);
  return true;
 } else {
  raw_spin_rq_unlock(src_rq);
  raw_spin_rq_lock(this_rq);
  return false;
 }
}

/**
 * move_task_between_dsqs() - Move a task from one DSQ to another
 * @sch: scx_sched being operated on
 * @p: target task
 * @enq_flags: %SCX_ENQ_*
 * @src_dsq: DSQ @p is currently on, must not be a local DSQ
 * @dst_dsq: DSQ @p is being moved to, can be any DSQ
 *
 * Must be called with @p's task_rq and @src_dsq locked. If @dst_dsq is a local
 * DSQ and @p is on a different CPU, @p will be migrated and thus its task_rq
 * will change. As @p's task_rq is locked, this function doesn't need to use the
 * holding_cpu mechanism.
 *
 * On return, @src_dsq is unlocked and only @p's new task_rq, which is the
 * return value, is locked.
 */
static struct rq *move_task_between_dsqs(struct scx_sched *sch,
      struct task_struct *p, u64 enq_flags,
      struct scx_dispatch_q *src_dsq,
      struct scx_dispatch_q *dst_dsq)
{
 struct rq *src_rq = task_rq(p), *dst_rq;

 BUG_ON(src_dsq->id == SCX_DSQ_LOCAL);
 lockdep_assert_held(&src_dsq->lock);
 lockdep_assert_rq_held(src_rq);

 if (dst_dsq->id == SCX_DSQ_LOCAL) {
  dst_rq = container_of(dst_dsq, struct rq, scx.local_dsq);
  if (src_rq != dst_rq &&
      unlikely(!task_can_run_on_remote_rq(sch, p, dst_rq, true))) {
   dst_dsq = find_global_dsq(p);
   dst_rq = src_rq;
  }
 } else {
  /* no need to migrate if destination is a non-local DSQ */
  dst_rq = src_rq;
 }

 /*
 * Move @p into $dst_dsq. If $dst_dsq is the local DSQ of a different
 * CPU, @p will be migrated.
 */
 if (dst_dsq->id == SCX_DSQ_LOCAL) {
  /* @p is going from a non-local DSQ to a local DSQ */
  if (src_rq == dst_rq) {
   task_unlink_from_dsq(p, src_dsq);
   move_local_task_to_local_dsq(p, enq_flags,
           src_dsq, dst_rq);
   raw_spin_unlock(&src_dsq->lock);
  } else {
   raw_spin_unlock(&src_dsq->lock);
   move_remote_task_to_local_dsq(p, enq_flags,
            src_rq, dst_rq);
  }
 } else {
  /*
 * @p is going from a non-local DSQ to a non-local DSQ. As
 * $src_dsq is already locked, do an abbreviated dequeue.
 */
  task_unlink_from_dsq(p, src_dsq);
  p->scx.dsq = NULL;
  raw_spin_unlock(&src_dsq->lock);

  dispatch_enqueue(sch, dst_dsq, p, enq_flags);
 }

 return dst_rq;
}

/*
 * A poorly behaving BPF scheduler can live-lock the system by e.g. incessantly
 * banging on the same DSQ on a large NUMA system to the point where switching
 * to the bypass mode can take a long time. Inject artificial delays while the
 * bypass mode is switching to guarantee timely completion.
 */
static void scx_breather(struct rq *rq)
{
 u64 until;

 lockdep_assert_rq_held(rq);

 if (likely(!atomic_read(&scx_breather_depth)))
  return;

 raw_spin_rq_unlock(rq);

 until = ktime_get_ns() + NSEC_PER_MSEC;

 do {
  int cnt = 1024;
  while (atomic_read(&scx_breather_depth) && --cnt)
   cpu_relax();
 } while (atomic_read(&scx_breather_depth) &&
   time_before64(ktime_get_ns(), until));

 raw_spin_rq_lock(rq);
}

static bool consume_dispatch_q(struct scx_sched *sch, struct rq *rq,
          struct scx_dispatch_q *dsq)
{
 struct task_struct *p;
retry:
 /*
 * This retry loop can repeatedly race against scx_bypass() dequeueing
 * tasks from @dsq trying to put the system into the bypass mode. On
 * some multi-socket machines (e.g. 2x Intel 8480c), this can live-lock
 * the machine into soft lockups. Give a breather.
 */
 scx_breather(rq);

 /*
 * The caller can't expect to successfully consume a task if the task's
 * addition to @dsq isn't guaranteed to be visible somehow. Test
 * @dsq->list without locking and skip if it seems empty.
 */
 if (list_empty(&dsq->list))
  return false;

 raw_spin_lock(&dsq->lock);

 nldsq_for_each_task(p, dsq) {
  struct rq *task_rq = task_rq(p);

  if (rq == task_rq) {
   task_unlink_from_dsq(p, dsq);
   move_local_task_to_local_dsq(p, 0, dsq, rq);
   raw_spin_unlock(&dsq->lock);
   return true;
  }

  if (task_can_run_on_remote_rq(sch, p, rq, false)) {
   if (likely(consume_remote_task(rq, p, dsq, task_rq)))
    return true;
   goto retry;
  }
 }

 raw_spin_unlock(&dsq->lock);
 return false;
}

static bool consume_global_dsq(struct scx_sched *sch, struct rq *rq)
{
 int node = cpu_to_node(cpu_of(rq));

 return consume_dispatch_q(sch, rq, sch->global_dsqs[node]);
}

/**
 * dispatch_to_local_dsq - Dispatch a task to a local dsq
 * @sch: scx_sched being operated on
 * @rq: current rq which is locked
 * @dst_dsq: destination DSQ
 * @p: task to dispatch
 * @enq_flags: %SCX_ENQ_*
 *
 * We're holding @rq lock and want to dispatch @p to @dst_dsq which is a local
 * DSQ. This function performs all the synchronization dancing needed because
 * local DSQs are protected with rq locks.
 *
 * The caller must have exclusive ownership of @p (e.g. through
 * %SCX_OPSS_DISPATCHING).
 */
static void dispatch_to_local_dsq(struct scx_sched *sch, struct rq *rq,
      struct scx_dispatch_q *dst_dsq,
      struct task_struct *p, u64 enq_flags)
{
 struct rq *src_rq = task_rq(p);
 struct rq *dst_rq = container_of(dst_dsq, struct rq, scx.local_dsq);
 struct rq *locked_rq = rq;

 /*
 * We're synchronized against dequeue through DISPATCHING. As @p can't
 * be dequeued, its task_rq and cpus_allowed are stable too.
 *
 * If dispatching to @rq that @p is already on, no lock dancing needed.
 */
 if (rq == src_rq && rq == dst_rq) {
  dispatch_enqueue(sch, dst_dsq, p,
     enq_flags | SCX_ENQ_CLEAR_OPSS);
  return;
 }

 if (src_rq != dst_rq &&
     unlikely(!task_can_run_on_remote_rq(sch, p, dst_rq, true))) {
  dispatch_enqueue(sch, find_global_dsq(p), p,
     enq_flags | SCX_ENQ_CLEAR_OPSS);
  return;
 }

 /*
 * @p is on a possibly remote @src_rq which we need to lock to move the
 * task. If dequeue is in progress, it'd be locking @src_rq and waiting
 * on DISPATCHING, so we can't grab @src_rq lock while holding
 * DISPATCHING.
 *
 * As DISPATCHING guarantees that @p is wholly ours, we can pretend that
 * we're moving from a DSQ and use the same mechanism - mark the task
 * under transfer with holding_cpu, release DISPATCHING and then follow
 * the same protocol. See unlink_dsq_and_lock_src_rq().
 */
 p->scx.holding_cpu = raw_smp_processor_id();

 /* store_release ensures that dequeue sees the above */
 atomic_long_set_release(&p->scx.ops_state, SCX_OPSS_NONE);

 /* switch to @src_rq lock */
 if (locked_rq != src_rq) {
  raw_spin_rq_unlock(locked_rq);
  locked_rq = src_rq;
  raw_spin_rq_lock(src_rq);
 }

 /* task_rq couldn't have changed if we're still the holding cpu */
 if (likely(p->scx.holding_cpu == raw_smp_processor_id()) &&
     !WARN_ON_ONCE(src_rq != task_rq(p))) {
  /*
 * If @p is staying on the same rq, there's no need to go
 * through the full deactivate/activate cycle. Optimize by
 * abbreviating move_remote_task_to_local_dsq().
 */
  if (src_rq == dst_rq) {
   p->scx.holding_cpu = -1;
   dispatch_enqueue(sch, &dst_rq->scx.local_dsq, p,
      enq_flags);
  } else {
   move_remote_task_to_local_dsq(p, enq_flags,
            src_rq, dst_rq);
   /* task has been moved to dst_rq, which is now locked */
   locked_rq = dst_rq;
  }

  /* if the destination CPU is idle, wake it up */
  if (sched_class_above(p->sched_class, dst_rq->curr->sched_class))
   resched_curr(dst_rq);
 }

 /* switch back to @rq lock */
 if (locked_rq != rq) {
  raw_spin_rq_unlock(locked_rq);
  raw_spin_rq_lock(rq);
 }
}

/**
 * finish_dispatch - Asynchronously finish dispatching a task
 * @rq: current rq which is locked
 * @p: task to finish dispatching
 * @qseq_at_dispatch: qseq when @p started getting dispatched
 * @dsq_id: destination DSQ ID
 * @enq_flags: %SCX_ENQ_*
 *
 * Dispatching to local DSQs may need to wait for queueing to complete or
 * require rq lock dancing. As we don't wanna do either while inside
 * ops.dispatch() to avoid locking order inversion, we split dispatching into
 * two parts. scx_bpf_dsq_insert() which is called by ops.dispatch() records the
 * task and its qseq. Once ops.dispatch() returns, this function is called to
 * finish up.
 *
 * There is no guarantee that @p is still valid for dispatching or even that it
 * was valid in the first place. Make sure that the task is still owned by the
 * BPF scheduler and claim the ownership before dispatching.
 */
static void finish_dispatch(struct scx_sched *sch, struct rq *rq,
       struct task_struct *p,
       unsigned long qseq_at_dispatch,
       u64 dsq_id, u64 enq_flags)
{
 struct scx_dispatch_q *dsq;
 unsigned long opss;

 touch_core_sched_dispatch(rq, p);
retry:
 /*
 * No need for _acquire here. @p is accessed only after a successful
 * try_cmpxchg to DISPATCHING.
 */
 opss = atomic_long_read(&p->scx.ops_state);

 switch (opss & SCX_OPSS_STATE_MASK) {
 case SCX_OPSS_DISPATCHING:
 case SCX_OPSS_NONE:
  /* someone else already got to it */
  return;
 case SCX_OPSS_QUEUED:
  /*
 * If qseq doesn't match, @p has gone through at least one
 * dispatch/dequeue and re-enqueue cycle between
 * scx_bpf_dsq_insert() and here and we have no claim on it.
 */
  if ((opss & SCX_OPSS_QSEQ_MASK) != qseq_at_dispatch)
   return;

  /*
 * While we know @p is accessible, we don't yet have a claim on
 * it - the BPF scheduler is allowed to dispatch tasks
 * spuriously and there can be a racing dequeue attempt. Let's
 * claim @p by atomically transitioning it from QUEUED to
 * DISPATCHING.
 */
  if (likely(atomic_long_try_cmpxchg(&p->scx.ops_state, &opss,
         SCX_OPSS_DISPATCHING)))
   break;
  goto retry;
 case SCX_OPSS_QUEUEING:
  /*
 * do_enqueue_task() is in the process of transferring the task
 * to the BPF scheduler while holding @p's rq lock. As we aren't
 * holding any kernel or BPF resource that the enqueue path may
 * depend upon, it's safe to wait.
 */
  wait_ops_state(p, opss);
  goto retry;
 }

 BUG_ON(!(p->scx.flags & SCX_TASK_QUEUED));

 dsq = find_dsq_for_dispatch(sch, this_rq(), dsq_id, p);

 if (dsq->id == SCX_DSQ_LOCAL)
  dispatch_to_local_dsq(sch, rq, dsq, p, enq_flags);
 else
  dispatch_enqueue(sch, dsq, p, enq_flags | SCX_ENQ_CLEAR_OPSS);
}

static void flush_dispatch_buf(struct scx_sched *sch, struct rq *rq)
{
 struct scx_dsp_ctx *dspc = this_cpu_ptr(scx_dsp_ctx);
 u32 u;

 for (u = 0; u < dspc->cursor; u++) {
  struct scx_dsp_buf_ent *ent = &dspc->buf[u];

  finish_dispatch(sch, rq, ent->task, ent->qseq, ent->dsq_id,
    ent->enq_flags);
 }

 dspc->nr_tasks += dspc->cursor;
 dspc->cursor = 0;
}

static int balance_one(struct rq *rq, struct task_struct *prev)
{
 struct scx_sched *sch = scx_root;
 struct scx_dsp_ctx *dspc = this_cpu_ptr(scx_dsp_ctx);
 bool prev_on_scx = prev->sched_class == &ext_sched_class;
 bool prev_on_rq = prev->scx.flags & SCX_TASK_QUEUED;
 int nr_loops = SCX_DSP_MAX_LOOPS;

 lockdep_assert_rq_held(rq);
 rq->scx.flags |= SCX_RQ_IN_BALANCE;
 rq->scx.flags &= ~(SCX_RQ_BAL_PENDING | SCX_RQ_BAL_KEEP);

 if ((sch->ops.flags & SCX_OPS_HAS_CPU_PREEMPT) &&
     unlikely(rq->scx.cpu_released)) {
  /*
 * If the previous sched_class for the current CPU was not SCX,
 * notify the BPF scheduler that it again has control of the
 * core. This callback complements ->cpu_release(), which is
 * emitted in switch_class().
 */
  if (SCX_HAS_OP(sch, cpu_acquire))
   SCX_CALL_OP(sch, SCX_KF_REST, cpu_acquire, rq,
        cpu_of(rq), NULL);
  rq->scx.cpu_released = false;
 }

 if (prev_on_scx) {
  update_curr_scx(rq);

  /*
 * If @prev is runnable & has slice left, it has priority and
 * fetching more just increases latency for the fetched tasks.
 * Tell pick_task_scx() to keep running @prev. If the BPF
 * scheduler wants to handle this explicitly, it should
 * implement ->cpu_release().
 *
 * See scx_disable_workfn() for the explanation on the bypassing
 * test.
 */
  if (prev_on_rq && prev->scx.slice && !scx_rq_bypassing(rq)) {
   rq->scx.flags |= SCX_RQ_BAL_KEEP;
   goto has_tasks;
  }
 }

 /* if there already are tasks to run, nothing to do */
 if (rq->scx.local_dsq.nr)
  goto has_tasks;

 if (consume_global_dsq(sch, rq))
  goto has_tasks;

 if (unlikely(!SCX_HAS_OP(sch, dispatch)) ||
     scx_rq_bypassing(rq) || !scx_rq_online(rq))
  goto no_tasks;

 dspc->rq = rq;

 /*
 * The dispatch loop. Because flush_dispatch_buf() may drop the rq lock,
 * the local DSQ might still end up empty after a successful
 * ops.dispatch(). If the local DSQ is empty even after ops.dispatch()
 * produced some tasks, retry. The BPF scheduler may depend on this
 * looping behavior to simplify its implementation.
 */
 do {
  dspc->nr_tasks = 0;

  SCX_CALL_OP(sch, SCX_KF_DISPATCH, dispatch, rq,
       cpu_of(rq), prev_on_scx ? prev : NULL);

  flush_dispatch_buf(sch, rq);

  if (prev_on_rq && prev->scx.slice) {
   rq->scx.flags |= SCX_RQ_BAL_KEEP;
   goto has_tasks;
  }
  if (rq->scx.local_dsq.nr)
   goto has_tasks;
  if (consume_global_dsq(sch, rq))
   goto has_tasks;

  /*
 * ops.dispatch() can trap us in this loop by repeatedly
 * dispatching ineligible tasks. Break out once in a while to
 * allow the watchdog to run. As IRQ can't be enabled in
 * balance(), we want to complete this scheduling cycle and then
 * start a new one. IOW, we want to call resched_curr() on the
 * next, most likely idle, task, not the current one. Use
 * scx_bpf_kick_cpu() for deferred kicking.
 */
  if (unlikely(!--nr_loops)) {
   scx_bpf_kick_cpu(cpu_of(rq), 0);
   break;
  }
 } while (dspc->nr_tasks);

no_tasks:
 /*
 * Didn't find another task to run. Keep running @prev unless
 * %SCX_OPS_ENQ_LAST is in effect.
 */
 if (prev_on_rq &&
     (!(sch->ops.flags & SCX_OPS_ENQ_LAST) || scx_rq_bypassing(rq))) {
  rq->scx.flags |= SCX_RQ_BAL_KEEP;
  __scx_add_event(sch, SCX_EV_DISPATCH_KEEP_LAST, 1);
  goto has_tasks;
 }
 rq->scx.flags &= ~SCX_RQ_IN_BALANCE;
 return false;

has_tasks:
 rq->scx.flags &= ~SCX_RQ_IN_BALANCE;
 return true;
}

static int balance_scx(struct rq *rq, struct task_struct *prev,
         struct rq_flags *rf)
{
 int ret;

 rq_unpin_lock(rq, rf);

 ret = balance_one(rq, prev);

#ifdef CONFIG_SCHED_SMT
 /*
 * When core-sched is enabled, this ops.balance() call will be followed
 * by pick_task_scx() on this CPU and the SMT siblings. Balance the
 * siblings too.
 */
 if (sched_core_enabled(rq)) {
  const struct cpumask *smt_mask = cpu_smt_mask(cpu_of(rq));
  int scpu;

  for_each_cpu_andnot(scpu, smt_mask, cpumask_of(cpu_of(rq))) {
   struct rq *srq = cpu_rq(scpu);
   struct task_struct *sprev = srq->curr;

   WARN_ON_ONCE(__rq_lockp(rq) != __rq_lockp(srq));
   update_rq_clock(srq);
   balance_one(srq, sprev);
  }
 }
#endif
 rq_repin_lock(rq, rf);

 return ret;
}

static void process_ddsp_deferred_locals(struct rq *rq)
{
 struct task_struct *p;

 lockdep_assert_rq_held(rq);

 /*
 * Now that @rq can be unlocked, execute the deferred enqueueing of
 * tasks directly dispatched to the local DSQs of other CPUs. See
 * direct_dispatch(). Keep popping from the head instead of using
 * list_for_each_entry_safe() as dispatch_local_dsq() may unlock @rq
 * temporarily.
 */
 while ((p = list_first_entry_or_null(&rq->scx.ddsp_deferred_locals,
    struct task_struct, scx.dsq_list.node))) {
  struct scx_sched *sch = scx_root;
  struct scx_dispatch_q *dsq;

  list_del_init(&p->scx.dsq_list.node);

  dsq = find_dsq_for_dispatch(sch, rq, p->scx.ddsp_dsq_id, p);
  if (!WARN_ON_ONCE(dsq->id != SCX_DSQ_LOCAL))
   dispatch_to_local_dsq(sch, rq, dsq, p,
           p->scx.ddsp_enq_flags);
 }
}

static void set_next_task_scx(struct rq *rq, struct task_struct *p, bool first)
{
 struct scx_sched *sch = scx_root;

 if (p->scx.flags & SCX_TASK_QUEUED) {
  /*
 * Core-sched might decide to execute @p before it is
 * dispatched. Call ops_dequeue() to notify the BPF scheduler.
 */
  ops_dequeue(rq, p, SCX_DEQ_CORE_SCHED_EXEC);
  dispatch_dequeue(rq, p);
 }

 p->se.exec_start = rq_clock_task(rq);

 /* see dequeue_task_scx() on why we skip when !QUEUED */
 if (SCX_HAS_OP(sch, running) && (p->scx.flags & SCX_TASK_QUEUED))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, running, rq, p);

 clr_task_runnable(p, true);

 /*
 * @p is getting newly scheduled or got kicked after someone updated its
 * slice. Refresh whether tick can be stopped. See scx_can_stop_tick().
 */
 if ((p->scx.slice == SCX_SLICE_INF) !=
     (bool)(rq->scx.flags & SCX_RQ_CAN_STOP_TICK)) {
  if (p->scx.slice == SCX_SLICE_INF)
   rq->scx.flags |= SCX_RQ_CAN_STOP_TICK;
  else
   rq->scx.flags &= ~SCX_RQ_CAN_STOP_TICK;

  sched_update_tick_dependency(rq);

  /*
 * For now, let's refresh the load_avgs just when transitioning
 * in and out of nohz. In the future, we might want to add a
 * mechanism which calls the following periodically on
 * tick-stopped CPUs.
 */
  update_other_load_avgs(rq);
 }
}

static enum scx_cpu_preempt_reason
preempt_reason_from_class(const struct sched_class *class)
{
 if (class == &stop_sched_class)
  return SCX_CPU_PREEMPT_STOP;
 if (class == &dl_sched_class)
  return SCX_CPU_PREEMPT_DL;
 if (class == &rt_sched_class)
  return SCX_CPU_PREEMPT_RT;
 return SCX_CPU_PREEMPT_UNKNOWN;
}

static void switch_class(struct rq *rq, struct task_struct *next)
{
 struct scx_sched *sch = scx_root;
 const struct sched_class *next_class = next->sched_class;

 /*
 * Pairs with the smp_load_acquire() issued by a CPU in
 * kick_cpus_irq_workfn() who is waiting for this CPU to perform a
 * resched.
 */
 smp_store_release(&rq->scx.pnt_seq, rq->scx.pnt_seq + 1);
 if (!(sch->ops.flags & SCX_OPS_HAS_CPU_PREEMPT))
  return;

 /*
 * The callback is conceptually meant to convey that the CPU is no
 * longer under the control of SCX. Therefore, don't invoke the callback
 * if the next class is below SCX (in which case the BPF scheduler has
 * actively decided not to schedule any tasks on the CPU).
 */
 if (sched_class_above(&ext_sched_class, next_class))
  return;

 /*
 * At this point we know that SCX was preempted by a higher priority
 * sched_class, so invoke the ->cpu_release() callback if we have not
 * done so already. We only send the callback once between SCX being
 * preempted, and it regaining control of the CPU.
 *
 * ->cpu_release() complements ->cpu_acquire(), which is emitted the
 *  next time that balance_scx() is invoked.
 */
 if (!rq->scx.cpu_released) {
  if (SCX_HAS_OP(sch, cpu_release)) {
   struct scx_cpu_release_args args = {
    .reason = preempt_reason_from_class(next_class),
    .task = next,
   };

   SCX_CALL_OP(sch, SCX_KF_CPU_RELEASE, cpu_release, rq,
        cpu_of(rq), &args);
  }
  rq->scx.cpu_released = true;
 }
}

static void put_prev_task_scx(struct rq *rq, struct task_struct *p,
         struct task_struct *next)
{
 struct scx_sched *sch = scx_root;
 update_curr_scx(rq);

 /* see dequeue_task_scx() on why we skip when !QUEUED */
 if (SCX_HAS_OP(sch, stopping) && (p->scx.flags & SCX_TASK_QUEUED))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, stopping, rq, p, true);

 if (p->scx.flags & SCX_TASK_QUEUED) {
  set_task_runnable(rq, p);

  /*
 * If @p has slice left and is being put, @p is getting
 * preempted by a higher priority scheduler class or core-sched
 * forcing a different task. Leave it at the head of the local
 * DSQ.
 */
  if (p->scx.slice && !scx_rq_bypassing(rq)) {
   dispatch_enqueue(sch, &rq->scx.local_dsq, p,
      SCX_ENQ_HEAD);
   goto switch_class;
  }

  /*
 * If @p is runnable but we're about to enter a lower
 * sched_class, %SCX_OPS_ENQ_LAST must be set. Tell
 * ops.enqueue() that @p is the only one available for this cpu,
 * which should trigger an explicit follow-up scheduling event.
 */
  if (sched_class_above(&ext_sched_class, next->sched_class)) {
   WARN_ON_ONCE(!(sch->ops.flags & SCX_OPS_ENQ_LAST));
   do_enqueue_task(rq, p, SCX_ENQ_LAST, -1);
  } else {
   do_enqueue_task(rq, p, 0, -1);
  }
 }

switch_class:
 if (next && next->sched_class != &ext_sched_class)
  switch_class(rq, next);
}

static struct task_struct *first_local_task(struct rq *rq)
{
 return list_first_entry_or_null(&rq->scx.local_dsq.list,
     struct task_struct, scx.dsq_list.node);
}

static struct task_struct *pick_task_scx(struct rq *rq)
{
 struct task_struct *prev = rq->curr;
 struct task_struct *p;
 bool keep_prev = rq->scx.flags & SCX_RQ_BAL_KEEP;
 bool kick_idle = false;

 /*
 * WORKAROUND:
 *
 * %SCX_RQ_BAL_KEEP should be set iff $prev is on SCX as it must just
 * have gone through balance_scx(). Unfortunately, there currently is a
 * bug where fair could say yes on balance() but no on pick_task(),
 * which then ends up calling pick_task_scx() without preceding
 * balance_scx().
 *
 * Keep running @prev if possible and avoid stalling from entering idle
 * without balancing.
 *
 * Once fair is fixed, remove the workaround and trigger WARN_ON_ONCE()
 * if pick_task_scx() is called without preceding balance_scx().
 */
 if (unlikely(rq->scx.flags & SCX_RQ_BAL_PENDING)) {
  if (prev->scx.flags & SCX_TASK_QUEUED) {
   keep_prev = true;
  } else {
   keep_prev = false;
   kick_idle = true;
  }
 } else if (unlikely(keep_prev &&
       prev->sched_class != &ext_sched_class)) {
  /*
 * Can happen while enabling as SCX_RQ_BAL_PENDING assertion is
 * conditional on scx_enabled() and may have been skipped.
 */
  WARN_ON_ONCE(scx_enable_state() == SCX_ENABLED);
  keep_prev = false;
 }

 /*
 * If balance_scx() is telling us to keep running @prev, replenish slice
 * if necessary and keep running @prev. Otherwise, pop the first one
 * from the local DSQ.
 */
 if (keep_prev) {
  p = prev;
  if (!p->scx.slice)
   refill_task_slice_dfl(p);
 } else {
  p = first_local_task(rq);
  if (!p) {
   if (kick_idle)
    scx_bpf_kick_cpu(cpu_of(rq), SCX_KICK_IDLE);
   return NULL;
  }

  if (unlikely(!p->scx.slice)) {
   struct scx_sched *sch = scx_root;

   if (!scx_rq_bypassing(rq) && !sch->warned_zero_slice) {
    printk_deferred(KERN_WARNING "sched_ext: %s[%d] has zero slice in %s()\n",
      p->comm, p->pid, __func__);
    sch->warned_zero_slice = true;
   }
   refill_task_slice_dfl(p);
  }
 }

 return p;
}

#ifdef CONFIG_SCHED_CORE
/**
 * scx_prio_less - Task ordering for core-sched
 * @a: task A
 * @b: task B
 * @in_fi: in forced idle state
 *
 * Core-sched is implemented as an additional scheduling layer on top of the
 * usual sched_class'es and needs to find out the expected task ordering. For
 * SCX, core-sched calls this function to interrogate the task ordering.
 *
 * Unless overridden by ops.core_sched_before(), @p->scx.core_sched_at is used
 * to implement the default task ordering. The older the timestamp, the higher
 * priority the task - the global FIFO ordering matching the default scheduling
 * behavior.
 *
 * When ops.core_sched_before() is enabled, @p->scx.core_sched_at is used to
 * implement FIFO ordering within each local DSQ. See pick_task_scx().
 */
bool scx_prio_less(const struct task_struct *a, const struct task_struct *b,
     bool in_fi)
{
 struct scx_sched *sch = scx_root;

 /*
 * The const qualifiers are dropped from task_struct pointers when
 * calling ops.core_sched_before(). Accesses are controlled by the
 * verifier.
 */
 if (SCX_HAS_OP(sch, core_sched_before) &&
     !scx_rq_bypassing(task_rq(a)))
  return SCX_CALL_OP_2TASKS_RET(sch, SCX_KF_REST, core_sched_before,
           NULL,
           (struct task_struct *)a,
           (struct task_struct *)b);
 else
  return time_after64(a->scx.core_sched_at, b->scx.core_sched_at);
}
#endif /* CONFIG_SCHED_CORE */

static int select_task_rq_scx(struct task_struct *p, int prev_cpu, int wake_flags)
{
 struct scx_sched *sch = scx_root;
 bool rq_bypass;

 /*
 * sched_exec() calls with %WF_EXEC when @p is about to exec(2) as it
 * can be a good migration opportunity with low cache and memory
 * footprint. Returning a CPU different than @prev_cpu triggers
 * immediate rq migration. However, for SCX, as the current rq
 * association doesn't dictate where the task is going to run, this
 * doesn't fit well. If necessary, we can later add a dedicated method
 * which can decide to preempt self to force it through the regular
 * scheduling path.
 */
 if (unlikely(wake_flags & WF_EXEC))
  return prev_cpu;

 rq_bypass = scx_rq_bypassing(task_rq(p));
 if (likely(SCX_HAS_OP(sch, select_cpu)) && !rq_bypass) {
  s32 cpu;
  struct task_struct **ddsp_taskp;

  ddsp_taskp = this_cpu_ptr(&direct_dispatch_task);
  WARN_ON_ONCE(*ddsp_taskp);
  *ddsp_taskp = p;

  cpu = SCX_CALL_OP_TASK_RET(sch,
        SCX_KF_ENQUEUE | SCX_KF_SELECT_CPU,
        select_cpu, NULL, p, prev_cpu,
        wake_flags);
  p->scx.selected_cpu = cpu;
  *ddsp_taskp = NULL;
  if (ops_cpu_valid(sch, cpu, "from ops.select_cpu()"))
   return cpu;
  else
   return prev_cpu;
 } else {
  s32 cpu;

  cpu = scx_select_cpu_dfl(p, prev_cpu, wake_flags, NULL, 0);
  if (cpu >= 0) {
   refill_task_slice_dfl(p);
   p->scx.ddsp_dsq_id = SCX_DSQ_LOCAL;
  } else {
   cpu = prev_cpu;
  }
  p->scx.selected_cpu = cpu;

  if (rq_bypass)
   __scx_add_event(sch, SCX_EV_BYPASS_DISPATCH, 1);
  return cpu;
 }
}

static void task_woken_scx(struct rq *rq, struct task_struct *p)
{
 run_deferred(rq);
}

static void set_cpus_allowed_scx(struct task_struct *p,
     struct affinity_context *ac)
{
 struct scx_sched *sch = scx_root;

 set_cpus_allowed_common(p, ac);

 /*
 * The effective cpumask is stored in @p->cpus_ptr which may temporarily
 * differ from the configured one in @p->cpus_mask. Always tell the bpf
 * scheduler the effective one.
 *
 * Fine-grained memory write control is enforced by BPF making the const
 * designation pointless. Cast it away when calling the operation.
 */
 if (SCX_HAS_OP(sch, set_cpumask))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, set_cpumask, NULL,
     p, (struct cpumask *)p->cpus_ptr);
}

static void handle_hotplug(struct rq *rq, bool online)
{
 struct scx_sched *sch = scx_root;
 int cpu = cpu_of(rq);

 atomic_long_inc(&scx_hotplug_seq);

 /*
 * scx_root updates are protected by cpus_read_lock() and will stay
 * stable here. Note that we can't depend on scx_enabled() test as the
 * hotplug ops need to be enabled before __scx_enabled is set.
 */
 if (unlikely(!sch))
  return;

 if (scx_enabled())
  scx_idle_update_selcpu_topology(&sch->ops);

 if (online && SCX_HAS_OP(sch, cpu_online))
  SCX_CALL_OP(sch, SCX_KF_UNLOCKED, cpu_online, NULL, cpu);
 else if (!online && SCX_HAS_OP(sch, cpu_offline))
  SCX_CALL_OP(sch, SCX_KF_UNLOCKED, cpu_offline, NULL, cpu);
 else
  scx_exit(sch, SCX_EXIT_UNREG_KERN,
    SCX_ECODE_ACT_RESTART | SCX_ECODE_RSN_HOTPLUG,
    "cpu %d going %s, exiting scheduler", cpu,
    online ? "online" : "offline");
}

void scx_rq_activate(struct rq *rq)
{
 handle_hotplug(rq, true);
}

void scx_rq_deactivate(struct rq *rq)
{
 handle_hotplug(rq, false);
}

static void rq_online_scx(struct rq *rq)
{
 rq->scx.flags |= SCX_RQ_ONLINE;
}

static void rq_offline_scx(struct rq *rq)
{
 rq->scx.flags &= ~SCX_RQ_ONLINE;
}


static bool check_rq_for_timeouts(struct rq *rq)
{
 struct scx_sched *sch;
 struct task_struct *p;
 struct rq_flags rf;
 bool timed_out = false;

 rq_lock_irqsave(rq, &rf);
 sch = rcu_dereference_bh(scx_root);
 if (unlikely(!sch))
  goto out_unlock;

 list_for_each_entry(p, &rq->scx.runnable_list, scx.runnable_node) {
  unsigned long last_runnable = p->scx.runnable_at;

  if (unlikely(time_after(jiffies,
     last_runnable + scx_watchdog_timeout))) {
   u32 dur_ms = jiffies_to_msecs(jiffies - last_runnable);

   scx_exit(sch, SCX_EXIT_ERROR_STALL, 0,
     "%s[%d] failed to run for %u.%03us",
     p->comm, p->pid, dur_ms / 1000, dur_ms % 1000);
   timed_out = true;
   break;
  }
 }
out_unlock:
 rq_unlock_irqrestore(rq, &rf);
 return timed_out;
}

static void scx_watchdog_workfn(struct work_struct *work)
{
 int cpu;

 WRITE_ONCE(scx_watchdog_timestamp, jiffies);

 for_each_online_cpu(cpu) {
  if (unlikely(check_rq_for_timeouts(cpu_rq(cpu))))
   break;

  cond_resched();
 }
 queue_delayed_work(system_unbound_wq, to_delayed_work(work),
      scx_watchdog_timeout / 2);
}

void scx_tick(struct rq *rq)
{
 struct scx_sched *sch;
 unsigned long last_check;

 if (!scx_enabled())
  return;

 sch = rcu_dereference_bh(scx_root);
 if (unlikely(!sch))
  return;

 last_check = READ_ONCE(scx_watchdog_timestamp);
 if (unlikely(time_after(jiffies,
    last_check + READ_ONCE(scx_watchdog_timeout)))) {
  u32 dur_ms = jiffies_to_msecs(jiffies - last_check);

  scx_exit(sch, SCX_EXIT_ERROR_STALL, 0,
    "watchdog failed to check in for %u.%03us",
    dur_ms / 1000, dur_ms % 1000);
 }

 update_other_load_avgs(rq);
}

static void task_tick_scx(struct rq *rq, struct task_struct *curr, int queued)
{
 struct scx_sched *sch = scx_root;

 update_curr_scx(rq);

 /*
 * While disabling, always resched and refresh core-sched timestamp as
 * we can't trust the slice management or ops.core_sched_before().
 */
 if (scx_rq_bypassing(rq)) {
  curr->scx.slice = 0;
  touch_core_sched(rq, curr);
 } else if (SCX_HAS_OP(sch, tick)) {
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, tick, rq, curr);
 }

 if (!curr->scx.slice)
  resched_curr(rq);
}

#ifdef CONFIG_EXT_GROUP_SCHED
static struct cgroup *tg_cgrp(struct task_group *tg)
{
 /*
 * If CGROUP_SCHED is disabled, @tg is NULL. If @tg is an autogroup,
 * @tg->css.cgroup is NULL. In both cases, @tg can be treated as the
 * root cgroup.
 */
 if (tg && tg->css.cgroup)
  return tg->css.cgroup;
 else
  return &cgrp_dfl_root.cgrp;
}

#define SCX_INIT_TASK_ARGS_CGROUP(tg)  .cgroup = tg_cgrp(tg),

#else /* CONFIG_EXT_GROUP_SCHED */

#define SCX_INIT_TASK_ARGS_CGROUP(tg)

#endif /* CONFIG_EXT_GROUP_SCHED */

static enum scx_task_state scx_get_task_state(const struct task_struct *p)
{
 return (p->scx.flags & SCX_TASK_STATE_MASK) >> SCX_TASK_STATE_SHIFT;
}

static void scx_set_task_state(struct task_struct *p, enum scx_task_state state)
{
 enum scx_task_state prev_state = scx_get_task_state(p);
 bool warn = false;

 BUILD_BUG_ON(SCX_TASK_NR_STATES > (1 << SCX_TASK_STATE_BITS));

 switch (state) {
 case SCX_TASK_NONE:
  break;
 case SCX_TASK_INIT:
  warn = prev_state != SCX_TASK_NONE;
  break;
 case SCX_TASK_READY:
  warn = prev_state == SCX_TASK_NONE;
  break;
 case SCX_TASK_ENABLED:
  warn = prev_state != SCX_TASK_READY;
  break;
 default:
  warn = true;
  return;
 }

 WARN_ONCE(warn, "sched_ext: Invalid task state transition %d -> %d for %s[%d]",
    prev_state, state, p->comm, p->pid);

 p->scx.flags &= ~SCX_TASK_STATE_MASK;
 p->scx.flags |= state << SCX_TASK_STATE_SHIFT;
}

static int scx_init_task(struct task_struct *p, struct task_group *tg, bool fork)
{
 struct scx_sched *sch = scx_root;
 int ret;

 p->scx.disallow = false;

 if (SCX_HAS_OP(sch, init_task)) {
  struct scx_init_task_args args = {
   SCX_INIT_TASK_ARGS_CGROUP(tg)
   .fork = fork,
  };

  ret = SCX_CALL_OP_RET(sch, SCX_KF_UNLOCKED, init_task, NULL,
          p, &args);
  if (unlikely(ret)) {
   ret = ops_sanitize_err(sch, "init_task", ret);
   return ret;
  }
 }

 scx_set_task_state(p, SCX_TASK_INIT);

 if (p->scx.disallow) {
  if (!fork) {
   struct rq *rq;
   struct rq_flags rf;

   rq = task_rq_lock(p, &rf);

   /*
 * We're in the load path and @p->policy will be applied
 * right after. Reverting @p->policy here and rejecting
 * %SCHED_EXT transitions from scx_check_setscheduler()
 * guarantees that if ops.init_task() sets @p->disallow,
 * @p can never be in SCX.
 */
   if (p->policy == SCHED_EXT) {
    p->policy = SCHED_NORMAL;
    atomic_long_inc(&scx_nr_rejected);
   }

   task_rq_unlock(rq, p, &rf);
  } else if (p->policy == SCHED_EXT) {
   scx_error(sch, "ops.init_task() set task->scx.disallow for %s[%d] during fork",
      p->comm, p->pid);
  }
 }

 p->scx.flags |= SCX_TASK_RESET_RUNNABLE_AT;
 return 0;
}

static void scx_enable_task(struct task_struct *p)
{
 struct scx_sched *sch = scx_root;
 struct rq *rq = task_rq(p);
 u32 weight;

 lockdep_assert_rq_held(rq);

 /*
 * Set the weight before calling ops.enable() so that the scheduler
 * doesn't see a stale value if they inspect the task struct.
 */
 if (task_has_idle_policy(p))
  weight = WEIGHT_IDLEPRIO;
 else
  weight = sched_prio_to_weight[p->static_prio - MAX_RT_PRIO];

 p->scx.weight = sched_weight_to_cgroup(weight);

 if (SCX_HAS_OP(sch, enable))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, enable, rq, p);
 scx_set_task_state(p, SCX_TASK_ENABLED);

 if (SCX_HAS_OP(sch, set_weight))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, set_weight, rq,
     p, p->scx.weight);
}

static void scx_disable_task(struct task_struct *p)
{
 struct scx_sched *sch = scx_root;
 struct rq *rq = task_rq(p);

 lockdep_assert_rq_held(rq);
 WARN_ON_ONCE(scx_get_task_state(p) != SCX_TASK_ENABLED);

 if (SCX_HAS_OP(sch, disable))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, disable, rq, p);
 scx_set_task_state(p, SCX_TASK_READY);
}

static void scx_exit_task(struct task_struct *p)
{
 struct scx_sched *sch = scx_root;
 struct scx_exit_task_args args = {
  .cancelled = false,
 };

 lockdep_assert_rq_held(task_rq(p));

 switch (scx_get_task_state(p)) {
 case SCX_TASK_NONE:
  return;
 case SCX_TASK_INIT:
  args.cancelled = true;
  break;
 case SCX_TASK_READY:
  break;
 case SCX_TASK_ENABLED:
  scx_disable_task(p);
  break;
 default:
  WARN_ON_ONCE(true);
  return;
 }

 if (SCX_HAS_OP(sch, exit_task))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, exit_task, task_rq(p),
     p, &args);
 scx_set_task_state(p, SCX_TASK_NONE);
}

void init_scx_entity(struct sched_ext_entity *scx)
{
 memset(scx, 0, sizeof(*scx));
 INIT_LIST_HEAD(&scx->dsq_list.node);
 RB_CLEAR_NODE(&scx->dsq_priq);
 scx->sticky_cpu = -1;
 scx->holding_cpu = -1;
 INIT_LIST_HEAD(&scx->runnable_node);
 scx->runnable_at = jiffies;
 scx->ddsp_dsq_id = SCX_DSQ_INVALID;
 scx->slice = SCX_SLICE_DFL;
}

void scx_pre_fork(struct task_struct *p)
{
 /*
 * BPF scheduler enable/disable paths want to be able to iterate and
 * update all tasks which can become complex when racing forks. As
 * enable/disable are very cold paths, let's use a percpu_rwsem to
 * exclude forks.
 */
 percpu_down_read(&scx_fork_rwsem);
}

int scx_fork(struct task_struct *p)
{
 percpu_rwsem_assert_held(&scx_fork_rwsem);

 if (scx_init_task_enabled)
  return scx_init_task(p, task_group(p), true);
 else
  return 0;
}

void scx_post_fork(struct task_struct *p)
{
 if (scx_init_task_enabled) {
  scx_set_task_state(p, SCX_TASK_READY);

  /*
 * Enable the task immediately if it's running on sched_ext.
 * Otherwise, it'll be enabled in switching_to_scx() if and
 * when it's ever configured to run with a SCHED_EXT policy.
 */
  if (p->sched_class == &ext_sched_class) {
   struct rq_flags rf;
   struct rq *rq;

   rq = task_rq_lock(p, &rf);
   scx_enable_task(p);
   task_rq_unlock(rq, p, &rf);
  }
 }

 spin_lock_irq(&scx_tasks_lock);
 list_add_tail(&p->scx.tasks_node, &scx_tasks);
 spin_unlock_irq(&scx_tasks_lock);

 percpu_up_read(&scx_fork_rwsem);
}

void scx_cancel_fork(struct task_struct *p)
{
 if (scx_enabled()) {
  struct rq *rq;
  struct rq_flags rf;

  rq = task_rq_lock(p, &rf);
  WARN_ON_ONCE(scx_get_task_state(p) >= SCX_TASK_READY);
  scx_exit_task(p);
  task_rq_unlock(rq, p, &rf);
 }

 percpu_up_read(&scx_fork_rwsem);
}

void sched_ext_free(struct task_struct *p)
{
 unsigned long flags;

 spin_lock_irqsave(&scx_tasks_lock, flags);
 list_del_init(&p->scx.tasks_node);
 spin_unlock_irqrestore(&scx_tasks_lock, flags);

 /*
 * @p is off scx_tasks and wholly ours. scx_enable()'s READY -> ENABLED
 * transitions can't race us. Disable ops for @p.
 */
 if (scx_get_task_state(p) != SCX_TASK_NONE) {
  struct rq_flags rf;
  struct rq *rq;

  rq = task_rq_lock(p, &rf);
  scx_exit_task(p);
  task_rq_unlock(rq, p, &rf);
 }
}

static void reweight_task_scx(struct rq *rq, struct task_struct *p,
         const struct load_weight *lw)
{
 struct scx_sched *sch = scx_root;

 lockdep_assert_rq_held(task_rq(p));

 p->scx.weight = sched_weight_to_cgroup(scale_load_down(lw->weight));
 if (SCX_HAS_OP(sch, set_weight))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, set_weight, rq,
     p, p->scx.weight);
}

static void prio_changed_scx(struct rq *rq, struct task_struct *p, int oldprio)
{
}

static void switching_to_scx(struct rq *rq, struct task_struct *p)
{
 struct scx_sched *sch = scx_root;

 scx_enable_task(p);

 /*
 * set_cpus_allowed_scx() is not called while @p is associated with a
 * different scheduler class. Keep the BPF scheduler up-to-date.
 */
 if (SCX_HAS_OP(sch, set_cpumask))
  SCX_CALL_OP_TASK(sch, SCX_KF_REST, set_cpumask, rq,
     p, (struct cpumask *)p->cpus_ptr);
}

static void switched_from_scx(struct rq *rq, struct task_struct *p)
{
 scx_disable_task(p);
}

static void wakeup_preempt_scx(struct rq *rq, struct task_struct *p,int wake_flags) {}
static void switched_to_scx(struct rq *rq, struct task_struct *p) {}

int scx_check_setscheduler(struct task_struct *p, int policy)
{
 lockdep_assert_rq_held(task_rq(p));

 /* if disallow, reject transitioning into SCX */
 if (scx_enabled() && READ_ONCE(p->scx.disallow) &&
     p->policy != policy && policy == SCHED_EXT)
  return -EACCES;

 return 0;
}

#ifdef CONFIG_NO_HZ_FULL
bool scx_can_stop_tick(struct rq *rq)
{
 struct task_struct *p = rq->curr;

 if (scx_rq_bypassing(rq))
  return false;

 if (p->sched_class != &ext_sched_class)
  return true;

 /*
 * @rq can dispatch from different DSQs, so we can't tell whether it
 * needs the tick or not by looking at nr_running. Allow stopping ticks
 * iff the BPF scheduler indicated so. See set_next_task_scx().
 */
 return rq->scx.flags & SCX_RQ_CAN_STOP_TICK;
}
#endif

#ifdef CONFIG_EXT_GROUP_SCHED

DEFINE_STATIC_PERCPU_RWSEM(scx_cgroup_rwsem);
static bool scx_cgroup_enabled;

void scx_tg_init(struct task_group *tg)
{
 tg->scx.weight = CGROUP_WEIGHT_DFL;
 tg->scx.bw_period_us = default_bw_period_us();
 tg->scx.bw_quota_us = RUNTIME_INF;
}

int scx_tg_online(struct task_group *tg)
{
 struct scx_sched *sch = scx_root;
 int ret = 0;

 WARN_ON_ONCE(tg->scx.flags & (SCX_TG_ONLINE | SCX_TG_INITED));

 percpu_down_read(&scx_cgroup_rwsem);

 if (scx_cgroup_enabled) {
  if (SCX_HAS_OP(sch, cgroup_init)) {
   struct scx_cgroup_init_args args =
    { .weight = tg->scx.weight,
      .bw_period_us = tg->scx.bw_period_us,
      .bw_quota_us = tg->scx.bw_quota_us,
      .bw_burst_us = tg->scx.bw_burst_us };

   ret = SCX_CALL_OP_RET(sch, SCX_KF_UNLOCKED, cgroup_init,
           NULL, tg->css.cgroup, &args);
   if (ret)
    ret = ops_sanitize_err(sch, "cgroup_init", ret);
  }
  if (ret == 0)
   tg->scx.flags |= SCX_TG_ONLINE | SCX_TG_INITED;
 } else {
  tg->scx.flags |= SCX_TG_ONLINE;
 }

 percpu_up_read(&scx_cgroup_rwsem);
 return ret;
}

void scx_tg_offline(struct task_group *tg)
{
 struct scx_sched *sch = scx_root;

 WARN_ON_ONCE(!(tg->scx.flags & SCX_TG_ONLINE));

 percpu_down_read(&scx_cgroup_rwsem);

 if (scx_cgroup_enabled && SCX_HAS_OP(sch, cgroup_exit) &&
     (tg->scx.flags & SCX_TG_INITED))
  SCX_CALL_OP(sch, SCX_KF_UNLOCKED, cgroup_exit, NULL,
       tg->css.cgroup);
 tg->scx.flags &= ~(SCX_TG_ONLINE | SCX_TG_INITED);

 percpu_up_read(&scx_cgroup_rwsem);
}

int scx_cgroup_can_attach(struct cgroup_taskset *tset)
{
 struct scx_sched *sch = scx_root;
 struct cgroup_subsys_state *css;
 struct task_struct *p;
 int ret;

 /* released in scx_finish/cancel_attach() */
 percpu_down_read(&scx_cgroup_rwsem);

 if (!scx_cgroup_enabled)
  return 0;

 cgroup_taskset_for_each(p, css, tset) {
  struct cgroup *from = tg_cgrp(task_group(p));
  struct cgroup *to = tg_cgrp(css_tg(css));

  WARN_ON_ONCE(p->scx.cgrp_moving_from);

  /*
 * sched_move_task() omits identity migrations. Let's match the
 * behavior so that ops.cgroup_prep_move() and ops.cgroup_move()
 * always match one-to-one.
 */
  if (from == to)
   continue;

  if (SCX_HAS_OP(sch, cgroup_prep_move)) {
   ret = SCX_CALL_OP_RET(sch, SCX_KF_UNLOCKED,
           cgroup_prep_move, NULL,
           p, from, css->cgroup);
   if (ret)
    goto err;
  }

  p->scx.cgrp_moving_from = from;
 }

 return 0;

err:
 cgroup_taskset_for_each(p, css, tset) {
  if (SCX_HAS_OP(sch, cgroup_cancel_move) &&
      p->scx.cgrp_moving_from)
   SCX_CALL_OP(sch, SCX_KF_UNLOCKED, cgroup_cancel_move, NULL,
        p, p->scx.cgrp_moving_from, css->cgroup);
  p->scx.cgrp_moving_from = NULL;
 }

 percpu_up_read(&scx_cgroup_rwsem);
 return ops_sanitize_err(sch, "cgroup_prep_move", ret);
}

void scx_cgroup_move_task(struct task_struct *p)
{
 struct scx_sched *sch = scx_root;

 if (!scx_cgroup_enabled)
  return;

 /*
 * @p must have ops.cgroup_prep_move() called on it and thus
 * cgrp_moving_from set.
 */
 if (SCX_HAS_OP(sch, cgroup_move) &&
     !WARN_ON_ONCE(!p->scx.cgrp_moving_from))
  SCX_CALL_OP_TASK(sch, SCX_KF_UNLOCKED, cgroup_move, NULL,
     p, p->scx.cgrp_moving_from,
     tg_cgrp(task_group(p)));
 p->scx.cgrp_moving_from = NULL;
}

void scx_cgroup_finish_attach(void)
{
 percpu_up_read(&scx_cgroup_rwsem);
}

void scx_cgroup_cancel_attach(struct cgroup_taskset *tset)
{
 struct scx_sched *sch = scx_root;
 struct cgroup_subsys_state *css;
 struct task_struct *p;

 if (!scx_cgroup_enabled)
  goto out_unlock;

 cgroup_taskset_for_each(p, css, tset) {
  if (SCX_HAS_OP(sch, cgroup_cancel_move) &&
      p->scx.cgrp_moving_from)
   SCX_CALL_OP(sch, SCX_KF_UNLOCKED, cgroup_cancel_move, NULL,
        p, p->scx.cgrp_moving_from, css->cgroup);
  p->scx.cgrp_moving_from = NULL;
 }
out_unlock:
 percpu_up_read(&scx_cgroup_rwsem);
}

void scx_group_set_weight(struct task_group *tg, unsigned long weight)
{
 struct scx_sched *sch = scx_root;

 percpu_down_read(&scx_cgroup_rwsem);

 if (scx_cgroup_enabled && SCX_HAS_OP(sch, cgroup_set_weight) &&
     tg->scx.weight != weight)
  SCX_CALL_OP(sch, SCX_KF_UNLOCKED, cgroup_set_weight, NULL,
       tg_cgrp(tg), weight);

 tg->scx.weight = weight;

 percpu_up_read(&scx_cgroup_rwsem);
}

void scx_group_set_idle(struct task_group *tg, bool idle)
{
 /* TODO: Implement ops->cgroup_set_idle() */
}

void scx_group_set_bandwidth(struct task_group *tg,
        u64 period_us, u64 quota_us, u64 burst_us)
{
 struct scx_sched *sch = scx_root;

 percpu_down_read(&scx_cgroup_rwsem);

 if (scx_cgroup_enabled && SCX_HAS_OP(sch, cgroup_set_bandwidth) &&
     (tg->scx.bw_period_us != period_us ||
      tg->scx.bw_quota_us != quota_us ||
      tg->scx.bw_burst_us != burst_us))
  SCX_CALL_OP(sch, SCX_KF_UNLOCKED, cgroup_set_bandwidth, NULL,
       tg_cgrp(tg), period_us, quota_us, burst_us);

 tg->scx.bw_period_us = period_us;
 tg->scx.bw_quota_us = quota_us;
 tg->scx.bw_burst_us = burst_us;

 percpu_up_read(&scx_cgroup_rwsem);
}

static void scx_cgroup_lock(void)
{
 percpu_down_write(&scx_cgroup_rwsem);
}

static void scx_cgroup_unlock(void)
{
 percpu_up_write(&scx_cgroup_rwsem);
}

#else /* CONFIG_EXT_GROUP_SCHED */

static inline void scx_cgroup_lock(void) {}
static inline void scx_cgroup_unlock(void) {}

#endif /* CONFIG_EXT_GROUP_SCHED */

/*
 * Omitted operations:
 *
 * - wakeup_preempt: NOOP as it isn't useful in the wakeup path because the task
 *   isn't tied to the CPU at that point. Preemption is implemented by resetting
 *   the victim task's slice to 0 and triggering reschedule on the target CPU.
 *
 * - migrate_task_rq: Unnecessary as task to cpu mapping is transient.
 *
 * - task_fork/dead: We need fork/dead notifications for all tasks regardless of
 *   their current sched_class. Call them directly from sched core instead.
 */
DEFINE_SCHED_CLASS(ext) = {
 .enqueue_task  = enqueue_task_scx,
 .dequeue_task  = dequeue_task_scx,
 .yield_task  = yield_task_scx,
 .yield_to_task  = yield_to_task_scx,

 .wakeup_preempt  = wakeup_preempt_scx,

 .balance  = balance_scx,
 .pick_task  = pick_task_scx,

 .put_prev_task  = put_prev_task_scx,
 .set_next_task  = set_next_task_scx,

 .select_task_rq  = select_task_rq_scx,
 .task_woken  = task_woken_scx,
 .set_cpus_allowed = set_cpus_allowed_scx,

 .rq_online  = rq_online_scx,
 .rq_offline  = rq_offline_scx,

 .task_tick  = task_tick_scx,

 .switching_to  = switching_to_scx,
 .switched_from  = switched_from_scx,
 .switched_to  = switched_to_scx,
 .reweight_task  = reweight_task_scx,
 .prio_changed  = prio_changed_scx,

 .update_curr  = update_curr_scx,

#ifdef CONFIG_UCLAMP_TASK
 .uclamp_enabled  = 1,
#endif
};

static void init_dsq(struct scx_dispatch_q *dsq, u64 dsq_id)
{
 memset(dsq, 0, sizeof(*dsq));

 raw_spin_lock_init(&dsq->lock);
 INIT_LIST_HEAD(&dsq->list);
 dsq->id = dsq_id;
}

static void free_dsq_irq_workfn(struct irq_work *irq_work)
{
 struct llist_node *to_free = llist_del_all(&dsqs_to_free);
 struct scx_dispatch_q *dsq, *tmp_dsq;

 llist_for_each_entry_safe(dsq, tmp_dsq, to_free, free_node)
  kfree_rcu(dsq, rcu);
}

static DEFINE_IRQ_WORK(free_dsq_irq_work, free_dsq_irq_workfn);

static void destroy_dsq(struct scx_sched *sch, u64 dsq_id)
{
 struct scx_dispatch_q *dsq;
 unsigned long flags;

 rcu_read_lock();

 dsq = find_user_dsq(sch, dsq_id);
 if (!dsq)
  goto out_unlock_rcu;

 raw_spin_lock_irqsave(&dsq->lock, flags);

 if (dsq->nr) {
  scx_error(sch, "attempting to destroy in-use dsq 0x%016llx (nr=%u)",
     dsq->id, dsq->nr);
  goto out_unlock_dsq;
 }

 if (rhashtable_remove_fast(&sch->dsq_hash, &dsq->hash_node,
       dsq_hash_params))
  goto out_unlock_dsq;

 /*
 * Mark dead by invalidating ->id to prevent dispatch_enqueue() from
 * queueing more tasks. As this function can be called from anywhere,
 * freeing is bounced through an irq work to avoid nesting RCU
 * operations inside scheduler locks.
 */
 dsq->id = SCX_DSQ_INVALID;
 llist_add(&dsq->free_node, &dsqs_to_free);
 irq_work_queue(&free_dsq_irq_work);

out_unlock_dsq:
 raw_spin_unlock_irqrestore(&dsq->lock, flags);
out_unlock_rcu:
 rcu_read_unlock();
}

#ifdef CONFIG_EXT_GROUP_SCHED
static void scx_cgroup_exit(struct scx_sched *sch)
{
 struct cgroup_subsys_state *css;

 percpu_rwsem_assert_held(&scx_cgroup_rwsem);

 scx_cgroup_enabled = false;

 /*
 * scx_tg_on/offline() are excluded through scx_cgroup_rwsem. If we walk
 * cgroups and exit all the inited ones, all online cgroups are exited.
 */
 rcu_read_lock();
 css_for_each_descendant_post(css, &root_task_group.css) {
  struct task_group *tg = css_tg(css);

  if (!(tg->scx.flags & SCX_TG_INITED))
   continue;
  tg->scx.flags &= ~SCX_TG_INITED;

  if (!sch->ops.cgroup_exit)
   continue;

  if (WARN_ON_ONCE(!css_tryget(css)))
   continue;
  rcu_read_unlock();

  SCX_CALL_OP(sch, SCX_KF_UNLOCKED, cgroup_exit, NULL,
       css->cgroup);

  rcu_read_lock();
  css_put(css);
 }
 rcu_read_unlock();
}

static int scx_cgroup_init(struct scx_sched *sch)
{
 struct cgroup_subsys_state *css;
 int ret;

 percpu_rwsem_assert_held(&scx_cgroup_rwsem);

 /*
 * scx_tg_on/offline() are excluded through scx_cgroup_rwsem. If we walk
 * cgroups and init, all online cgroups are initialized.
 */
 rcu_read_lock();
 css_for_each_descendant_pre(css, &root_task_group.css) {
  struct task_group *tg = css_tg(css);
  struct scx_cgroup_init_args args = {
   .weight = tg->scx.weight,
   .bw_period_us = tg->scx.bw_period_us,
   .bw_quota_us = tg->scx.bw_quota_us,
   .bw_burst_us = tg->scx.bw_burst_us,
  };

  if ((tg->scx.flags &
       (SCX_TG_ONLINE | SCX_TG_INITED)) != SCX_TG_ONLINE)
   continue;

  if (!sch->ops.cgroup_init) {
   tg->scx.flags |= SCX_TG_INITED;
   continue;
  }

  if (WARN_ON_ONCE(!css_tryget(css)))
   continue;
  rcu_read_unlock();

  ret = SCX_CALL_OP_RET(sch, SCX_KF_UNLOCKED, cgroup_init, NULL,
          css->cgroup, &args);
  if (ret) {
   css_put(css);
   scx_error(sch, "ops.cgroup_init() failed (%d)", ret);
   return ret;
  }
  tg->scx.flags |= SCX_TG_INITED;

  rcu_read_lock();
  css_put(css);
 }
 rcu_read_unlock();

 WARN_ON_ONCE(scx_cgroup_enabled);
 scx_cgroup_enabled = true;

 return 0;
}

#else
static void scx_cgroup_exit(struct scx_sched *sch) {}
static int scx_cgroup_init(struct scx_sched *sch) { return 0; }
#endif


/********************************************************************************
 * Sysfs interface and ops enable/disable.
 */

#define SCX_ATTR(_name)        \
 static struct kobj_attribute scx_attr_##_name = {   \
  .attr = { .name = __stringify(_name), .mode = 0444 },  \
  .show = scx_attr_##_name##_show,    \
 }

static ssize_t scx_attr_state_show(struct kobject *kobj,
       struct kobj_attribute *ka, char *buf)
{
 return sysfs_emit(buf, "%s\n", scx_enable_state_str[scx_enable_state()]);
}
SCX_ATTR(state);

static ssize_t scx_attr_switch_all_show(struct kobject *kobj,
     struct kobj_attribute *ka, char *buf)
{
 return sysfs_emit(buf, "%d\n", READ_ONCE(scx_switching_all));
}
SCX_ATTR(switch_all);

static ssize_t scx_attr_nr_rejected_show(struct kobject *kobj,
      struct kobj_attribute *ka, char *buf)
{
 return sysfs_emit(buf, "%ld\n", atomic_long_read(&scx_nr_rejected));
}
SCX_ATTR(nr_rejected);

static ssize_t scx_attr_hotplug_seq_show(struct kobject *kobj,
      struct kobj_attribute *ka, char *buf)
{
 return sysfs_emit(buf, "%ld\n", atomic_long_read(&scx_hotplug_seq));
}
SCX_ATTR(hotplug_seq);

static ssize_t scx_attr_enable_seq_show(struct kobject *kobj,
     struct kobj_attribute *ka, char *buf)
{
 return sysfs_emit(buf, "%ld\n", atomic_long_read(&scx_enable_seq));
}
SCX_ATTR(enable_seq);

static struct attribute *scx_global_attrs[] = {
 &scx_attr_state.attr,
 &scx_attr_switch_all.attr,
 &scx_attr_nr_rejected.attr,
 &scx_attr_hotplug_seq.attr,
 &scx_attr_enable_seq.attr,
 NULL,
};

static const struct attribute_group scx_global_attr_group = {
 .attrs = scx_global_attrs,
};

static void free_exit_info(struct scx_exit_info *ei);

static void scx_sched_free_rcu_work(struct work_struct *work)
{
 struct rcu_work *rcu_work = to_rcu_work(work);
 struct scx_sched *sch = container_of(rcu_work, struct scx_sched, rcu_work);
 struct rhashtable_iter rht_iter;
 struct scx_dispatch_q *dsq;
 int node;

 irq_work_sync(&sch->error_irq_work);
 kthread_stop(sch->helper->task);

 free_percpu(sch->pcpu);

 for_each_node_state(node, N_POSSIBLE)
  kfree(sch->global_dsqs[node]);
 kfree(sch->global_dsqs);

 rhashtable_walk_enter(&sch->dsq_hash, &rht_iter);
 do {
  rhashtable_walk_start(&rht_iter);

  while ((dsq = rhashtable_walk_next(&rht_iter)) && !IS_ERR(dsq))
   destroy_dsq(sch, dsq->id);

  rhashtable_walk_stop(&rht_iter);
 } while (dsq == ERR_PTR(-EAGAIN));
 rhashtable_walk_exit(&rht_iter);

 rhashtable_free_and_destroy(&sch->dsq_hash, NULL, NULL);
 free_exit_info(sch->exit_info);
 kfree(sch);
}

static void scx_kobj_release(struct kobject *kobj)
{
 struct scx_sched *sch = container_of(kobj, struct scx_sched, kobj);

 INIT_RCU_WORK(&sch->rcu_work, scx_sched_free_rcu_work);
 queue_rcu_work(system_unbound_wq, &sch->rcu_work);
}

static ssize_t scx_attr_ops_show(struct kobject *kobj,
     struct kobj_attribute *ka, char *buf)
{
 return sysfs_emit(buf, "%s\n", scx_root->ops.name);
}
SCX_ATTR(ops);

#define scx_attr_event_show(buf, at, events, kind) ({    \
 sysfs_emit_at(buf, at, "%s %llu\n", #kind, (events)->kind);  \
})

static ssize_t scx_attr_events_show(struct kobject *kobj,
        struct kobj_attribute *ka, char *buf)
{
 struct scx_sched *sch = container_of(kobj, struct scx_sched, kobj);
 struct scx_event_stats events;
 int at = 0;

 scx_read_events(sch, &events);
 at += scx_attr_event_show(buf, at, &events, SCX_EV_SELECT_CPU_FALLBACK);
 at += scx_attr_event_show(buf, at, &events, SCX_EV_DISPATCH_LOCAL_DSQ_OFFLINE);
 at += scx_attr_event_show(buf, at, &events, SCX_EV_DISPATCH_KEEP_LAST);
 at += scx_attr_event_show(buf, at, &events, SCX_EV_ENQ_SKIP_EXITING);
 at += scx_attr_event_show(buf, at, &events, SCX_EV_ENQ_SKIP_MIGRATION_DISABLED);
 at += scx_attr_event_show(buf, at, &events, SCX_EV_REFILL_SLICE_DFL);
 at += scx_attr_event_show(buf, at, &events, SCX_EV_BYPASS_DURATION);
 at += scx_attr_event_show(buf, at, &events, SCX_EV_BYPASS_DISPATCH);
 at += scx_attr_event_show(buf, at, &events, SCX_EV_BYPASS_ACTIVATE);
 return at;
}
SCX_ATTR(events);

static struct attribute *scx_sched_attrs[] = {
 &scx_attr_ops.attr,
 &scx_attr_events.attr,
 NULL,
};
ATTRIBUTE_GROUPS(scx_sched);

static const struct kobj_type scx_ktype = {
 .release = scx_kobj_release,
 .sysfs_ops = &kobj_sysfs_ops,
 .default_groups = scx_sched_groups,
};

static int scx_uevent(const struct kobject *kobj, struct kobj_uevent_env *env)
{
 return add_uevent_var(env, "SCXOPS=%s", scx_root->ops.name);
}

static const struct kset_uevent_ops scx_uevent_ops = {
 .uevent = scx_uevent,
};

/*
 * Used by sched_fork() and __setscheduler_prio() to pick the matching
 * sched_class. dl/rt are already handled.
 */
bool task_should_scx(int policy)
{
 if (!scx_enabled() || unlikely(scx_enable_state() == SCX_DISABLING))
  return false;
 if (READ_ONCE(scx_switching_all))
  return true;
 return policy == SCHED_EXT;
}

bool scx_allow_ttwu_queue(const struct task_struct *p)
{
 return !scx_enabled() ||
  (scx_root->ops.flags & SCX_OPS_ALLOW_QUEUED_WAKEUP) ||
  p->sched_class != &ext_sched_class;
}

/**
 * scx_rcu_cpu_stall - sched_ext RCU CPU stall handler
 *
 * While there are various reasons why RCU CPU stalls can occur on a system
 * that may not be caused by the current BPF scheduler, try kicking out the
 * current scheduler in an attempt to recover the system to a good state before
 * issuing panics.
 */
bool scx_rcu_cpu_stall(void)
{
 struct scx_sched *sch;

 rcu_read_lock();

 sch = rcu_dereference(scx_root);
 if (unlikely(!sch)) {
  rcu_read_unlock();
  return false;
 }

 switch (scx_enable_state()) {
 case SCX_ENABLING:
 case SCX_ENABLED:
  break;
 default:
  rcu_read_unlock();
  return false;
 }

 scx_error(sch, "RCU CPU stall detected!");
 rcu_read_unlock();

 return true;
}

/**
 * scx_softlockup - sched_ext softlockup handler
 * @dur_s: number of seconds of CPU stuck due to soft lockup
 *
 * On some multi-socket setups (e.g. 2x Intel 8480c), the BPF scheduler can
 * live-lock the system by making many CPUs target the same DSQ to the point
 * where soft-lockup detection triggers. This function is called from
 * soft-lockup watchdog when the triggering point is close and tries to unjam
 * the system by enabling the breather and aborting the BPF scheduler.
 */
void scx_softlockup(u32 dur_s)
{
 struct scx_sched *sch;

 rcu_read_lock();

 sch = rcu_dereference(scx_root);
 if (unlikely(!sch))
  goto out_unlock;

 switch (scx_enable_state()) {
 case SCX_ENABLING:
 case SCX_ENABLED:
  break;
 default:
  goto out_unlock;
 }

 /* allow only one instance, cleared at the end of scx_bypass() */
 if (test_and_set_bit(0, &scx_in_softlockup))
  goto out_unlock;

 printk_deferred(KERN_ERR "sched_ext: Soft lockup - CPU%d stuck for %us, disabling \"%s\"\n",
   smp_processor_id(), dur_s, scx_root->ops.name);

 /*
 * Some CPUs may be trapped in the dispatch paths. Enable breather
 * immediately; otherwise, we might even be able to get to scx_bypass().
 */
 atomic_inc(&scx_breather_depth);

 scx_error(sch, "soft lockup - CPU#%d stuck for %us", smp_processor_id(), dur_s);
out_unlock:
 rcu_read_unlock();
}

static void scx_clear_softlockup(void)
{
 if (test_and_clear_bit(0, &scx_in_softlockup))
  atomic_dec(&scx_breather_depth);
}

/**
 * scx_bypass - [Un]bypass scx_ops and guarantee forward progress
 * @bypass: true for bypass, false for unbypass
 *
 * Bypassing guarantees that all runnable tasks make forward progress without
 * trusting the BPF scheduler. We can't grab any mutexes or rwsems as they might
 * be held by tasks that the BPF scheduler is forgetting to run, which
 * unfortunately also excludes toggling the static branches.
 *
 * Let's work around by overriding a couple ops and modifying behaviors based on
 * the DISABLING state and then cycling the queued tasks through dequeue/enqueue
 * to force global FIFO scheduling.
 *
 * - ops.select_cpu() is ignored and the default select_cpu() is used.
 *
 * - ops.enqueue() is ignored and tasks are queued in simple global FIFO order.
 *   %SCX_OPS_ENQ_LAST is also ignored.
 *
 * - ops.dispatch() is ignored.
 *
 * - balance_scx() does not set %SCX_RQ_BAL_KEEP on non-zero slice as slice
 *   can't be trusted. Whenever a tick triggers, the running task is rotated to
 *   the tail of the queue with core_sched_at touched.
 *
 * - pick_next_task() suppresses zero slice warning.
 *
 * - scx_bpf_kick_cpu() is disabled to avoid irq_work malfunction during PM
 *   operations.
 *
 * - scx_prio_less() reverts to the default core_sched_at order.
 */
static void scx_bypass(bool bypass)
{
 static DEFINE_RAW_SPINLOCK(bypass_lock);
 static unsigned long bypass_timestamp;
 struct scx_sched *sch;
 unsigned long flags;
 int cpu;

 raw_spin_lock_irqsave(&bypass_lock, flags);
 sch = rcu_dereference_bh(scx_root);

 if (bypass) {
  scx_bypass_depth++;
  WARN_ON_ONCE(scx_bypass_depth <= 0);
  if (scx_bypass_depth != 1)
   goto unlock;
  bypass_timestamp = ktime_get_ns();
  if (sch)
   scx_add_event(sch, SCX_EV_BYPASS_ACTIVATE, 1);
 } else {
  scx_bypass_depth--;
  WARN_ON_ONCE(scx_bypass_depth < 0);
  if (scx_bypass_depth != 0)
   goto unlock;
  if (sch)
   scx_add_event(sch, SCX_EV_BYPASS_DURATION,
          ktime_get_ns() - bypass_timestamp);
 }

 atomic_inc(&scx_breather_depth);

 /*
 * No task property is changing. We just need to make sure all currently
 * queued tasks are re-queued according to the new scx_rq_bypassing()
 * state. As an optimization, walk each rq's runnable_list instead of
 * the scx_tasks list.
 *
 * This function can't trust the scheduler and thus can't use
 * cpus_read_lock(). Walk all possible CPUs instead of online.
 */
 for_each_possible_cpu(cpu) {
  struct rq *rq = cpu_rq(cpu);
  struct task_struct *p, *n;

  raw_spin_rq_lock(rq);

  if (bypass) {
   WARN_ON_ONCE(rq->scx.flags & SCX_RQ_BYPASSING);
   rq->scx.flags |= SCX_RQ_BYPASSING;
  } else {
   WARN_ON_ONCE(!(rq->scx.flags & SCX_RQ_BYPASSING));
   rq->scx.flags &= ~SCX_RQ_BYPASSING;
  }

  /*
 * We need to guarantee that no tasks are on the BPF scheduler
 * while bypassing. Either we see enabled or the enable path
 * sees scx_rq_bypassing() before moving tasks to SCX.
 */
  if (!scx_enabled()) {
   raw_spin_rq_unlock(rq);
   continue;
  }

  /*
 * The use of list_for_each_entry_safe_reverse() is required
 * because each task is going to be removed from and added back
 * to the runnable_list during iteration. Because they're added
 * to the tail of the list, safe reverse iteration can still
 * visit all nodes.
 */
  list_for_each_entry_safe_reverse(p, n, &rq->scx.runnable_list,
       scx.runnable_node) {
   struct sched_enq_and_set_ctx ctx;

   /* cycling deq/enq is enough, see the function comment */
   sched_deq_and_put_task(p, DEQUEUE_SAVE | DEQUEUE_MOVE, &ctx);
   sched_enq_and_set_task(&ctx);
  }

  /* resched to restore ticks and idle state */
  if (cpu_online(cpu) || cpu == smp_processor_id())
   resched_curr(rq);

  raw_spin_rq_unlock(rq);
 }

 atomic_dec(&scx_breather_depth);
unlock:
 raw_spin_unlock_irqrestore(&bypass_lock, flags);
 scx_clear_softlockup();
}

static void free_exit_info(struct scx_exit_info *ei)
{
 kvfree(ei->dump);
 kfree(ei->msg);
 kfree(ei->bt);
 kfree(ei);
}

static struct scx_exit_info *alloc_exit_info(size_t exit_dump_len)
{
 struct scx_exit_info *ei;

 ei = kzalloc(sizeof(*ei), GFP_KERNEL);
 if (!ei)
  return NULL;

 ei->bt = kcalloc(SCX_EXIT_BT_LEN, sizeof(ei->bt[0]), GFP_KERNEL);
 ei->msg = kzalloc(SCX_EXIT_MSG_LEN, GFP_KERNEL);
 ei->dump = kvzalloc(exit_dump_len, GFP_KERNEL);

 if (!ei->bt || !ei->msg || !ei->dump) {
  free_exit_info(ei);
  return NULL;
 }

 return ei;
}

static const char *scx_exit_reason(enum scx_exit_kind kind)
{
 switch (kind) {
 case SCX_EXIT_UNREG:
  return "unregistered from user space";
 case SCX_EXIT_UNREG_BPF:
  return "unregistered from BPF";
 case SCX_EXIT_UNREG_KERN:
  return "unregistered from the main kernel";
 case SCX_EXIT_SYSRQ:
  return "disabled by sysrq-S";
 case SCX_EXIT_ERROR:
  return "runtime error";
 case SCX_EXIT_ERROR_BPF:
  return "scx_bpf_error";
 case SCX_EXIT_ERROR_STALL:
  return "runnable task stall";
 default:
  return "<UNKNOWN>";
 }
}

static void scx_disable_workfn(struct kthread_work *work)
{
 struct scx_sched *sch = container_of(work, struct scx_sched, disable_work);
 struct scx_exit_info *ei = sch->exit_info;
 struct scx_task_iter sti;
 struct task_struct *p;
 int kind, cpu;

 kind = atomic_read(&sch->exit_kind);
 while (true) {
  if (kind == SCX_EXIT_DONE) /* already disabled? */
   return;
  WARN_ON_ONCE(kind == SCX_EXIT_NONE);
  if (atomic_try_cmpxchg(&sch->exit_kind, &kind, SCX_EXIT_DONE))
   break;
 }
 ei->kind = kind;
 ei->reason = scx_exit_reason(ei->kind);

 /* guarantee forward progress by bypassing scx_ops */
 scx_bypass(true);

 switch (scx_set_enable_state(SCX_DISABLING)) {
 case SCX_DISABLING:
  WARN_ONCE(true, "sched_ext: duplicate disabling instance?");
  break;
 case SCX_DISABLED:
  pr_warn("sched_ext: ops error detected without ops (%s)\n",
   sch->exit_info->msg);
  WARN_ON_ONCE(scx_set_enable_state(SCX_DISABLED) != SCX_DISABLING);
  goto done;
 default:
  break;
 }

 /*
 * Here, every runnable task is guaranteed to make forward progress and
 * we can safely use blocking synchronization constructs. Actually
 * disable ops.
 */
 mutex_lock(&scx_enable_mutex);

 static_branch_disable(&__scx_switched_all);
 WRITE_ONCE(scx_switching_all, false);

 /*
 * Shut down cgroup support before tasks so that the cgroup attach path
 * doesn't race against scx_exit_task().
 */
 scx_cgroup_lock();
 scx_cgroup_exit(sch);
 scx_cgroup_unlock();

 /*
 * The BPF scheduler is going away. All tasks including %TASK_DEAD ones
 * must be switched out and exited synchronously.
 */
 percpu_down_write(&scx_fork_rwsem);

 scx_init_task_enabled = false;

 scx_task_iter_start(&sti);
 while ((p = scx_task_iter_next_locked(&sti))) {
  const struct sched_class *old_class = p->sched_class;
  const struct sched_class *new_class =
   __setscheduler_class(p->policy, p->prio);
  struct sched_enq_and_set_ctx ctx;

  if (old_class != new_class && p->se.sched_delayed)
   dequeue_task(task_rq(p), p, DEQUEUE_SLEEP | DEQUEUE_DELAYED);

  sched_deq_and_put_task(p, DEQUEUE_SAVE | DEQUEUE_MOVE, &ctx);

  p->sched_class = new_class;
  check_class_changing(task_rq(p), p, old_class);

  sched_enq_and_set_task(&ctx);

  check_class_changed(task_rq(p), p, old_class, p->prio);
  scx_exit_task(p);
 }
 scx_task_iter_stop(&sti);
 percpu_up_write(&scx_fork_rwsem);

 /*
 * Invalidate all the rq clocks to prevent getting outdated
 * rq clocks from a previous scx scheduler.
 */
 for_each_possible_cpu(cpu) {
  struct rq *rq = cpu_rq(cpu);
  scx_rq_clock_invalidate(rq);
 }

 /* no task is on scx, turn off all the switches and flush in-progress calls */
 static_branch_disable(&__scx_enabled);
 bitmap_zero(sch->has_op, SCX_OPI_END);
 scx_idle_disable();
 synchronize_rcu();

 if (ei->kind >= SCX_EXIT_ERROR) {
  pr_err("sched_ext: BPF scheduler \"%s\" disabled (%s)\n",
         sch->ops.name, ei->reason);

  if (ei->msg[0] != '\0')
   pr_err("sched_ext: %s: %s\n", sch->ops.name, ei->msg);
#ifdef CONFIG_STACKTRACE
  stack_trace_print(ei->bt, ei->bt_len, 2);
#endif
 } else {
  pr_info("sched_ext: BPF scheduler \"%s\" disabled (%s)\n",
   sch->ops.name, ei->reason);
 }

 if (sch->ops.exit)
  SCX_CALL_OP(sch, SCX_KF_UNLOCKED, exit, NULL, ei);

 cancel_delayed_work_sync(&scx_watchdog_work);

 /*
 * scx_root clearing must be inside cpus_read_lock(). See
 * handle_hotplug().
 */
 cpus_read_lock();
 RCU_INIT_POINTER(scx_root, NULL);
 cpus_read_unlock();

 /*
 * Delete the kobject from the hierarchy synchronously. Otherwise, sysfs
 * could observe an object of the same name still in the hierarchy when
 * the next scheduler is loaded.
 */
 kobject_del(&sch->kobj);

 free_percpu(scx_dsp_ctx);
 scx_dsp_ctx = NULL;
 scx_dsp_max_batch = 0;

 mutex_unlock(&scx_enable_mutex);

 WARN_ON_ONCE(scx_set_enable_state(SCX_DISABLED) != SCX_DISABLING);
done:
 scx_bypass(false);
}

static void scx_disable(enum scx_exit_kind kind)
{
 int none = SCX_EXIT_NONE;
 struct scx_sched *sch;

 if (WARN_ON_ONCE(kind == SCX_EXIT_NONE || kind == SCX_EXIT_DONE))
  kind = SCX_EXIT_ERROR;

 rcu_read_lock();
 sch = rcu_dereference(scx_root);
 if (sch) {
  atomic_try_cmpxchg(&sch->exit_kind, &none, kind);
  kthread_queue_work(sch->helper, &sch->disable_work);
 }
 rcu_read_unlock();
}

static void dump_newline(struct seq_buf *s)
{
 trace_sched_ext_dump("");

 /* @s may be zero sized and seq_buf triggers WARN if so */
 if (s->size)
  seq_buf_putc(s, '\n');
}

static __printf(2, 3) void dump_line(struct seq_buf *s, const char *fmt, ...)
{
 va_list args;

#ifdef CONFIG_TRACEPOINTS
 if (trace_sched_ext_dump_enabled()) {
  /* protected by scx_dump_state()::dump_lock */
  static char line_buf[SCX_EXIT_MSG_LEN];

  va_start(args, fmt);
  vscnprintf(line_buf, sizeof(line_buf), fmt, args);
  va_end(args);

  trace_sched_ext_dump(line_buf);
 }
#endif
 /* @s may be zero sized and seq_buf triggers WARN if so */
 if (s->size) {
  va_start(args, fmt);
  seq_buf_vprintf(s, fmt, args);
  va_end(args);

  seq_buf_putc(s, '\n');
 }
}

static void dump_stack_trace(struct seq_buf *s, const char *prefix,
        const unsigned long *bt, unsigned int len)
{
 unsigned int i;

 for (i = 0; i < len; i++)
  dump_line(s, "%s%pS", prefix, (void *)bt[i]);
}

static void ops_dump_init(struct seq_buf *s, const char *prefix)
{
 struct scx_dump_data *dd = &scx_dump_data;

 lockdep_assert_irqs_disabled();

 dd->cpu = smp_processor_id();  /* allow scx_bpf_dump() */
 dd->first = true;
 dd->cursor = 0;
 dd->s = s;
 dd->prefix = prefix;
}

static void ops_dump_flush(void)
{
 struct scx_dump_data *dd = &scx_dump_data;
 char *line = dd->buf.line;

 if (!dd->cursor)
  return;

 /*
 * There's something to flush and this is the first line. Insert a blank
 * line to distinguish ops dump.
 */
 if (dd->first) {
  dump_newline(dd->s);
  dd->first = false;
 }

 /*
 * There may be multiple lines in $line. Scan and emit each line
 * separately.
 */
 while (true) {
  char *end = line;
  char c;

  while (*end != '\n' && *end != '\0')
   end++;

  /*
 * If $line overflowed, it may not have newline at the end.
 * Always emit with a newline.
 */
  c = *end;
  *end = '\0';
  dump_line(dd->s, "%s%s", dd->prefix, line);
  if (c == '\0')
   break;

  /* move to the next line */
  end++;
  if (*end == '\0')
   break;
  line = end;
 }

 dd->cursor = 0;
}

static void ops_dump_exit(void)
{
 ops_dump_flush();
 scx_dump_data.cpu = -1;
}

static void scx_dump_task(struct seq_buf *s, struct scx_dump_ctx *dctx,
     struct task_struct *p, char marker)
{
 static unsigned long bt[SCX_EXIT_BT_LEN];
 struct scx_sched *sch = scx_root;
 char dsq_id_buf[19] = "(n/a)";
 unsigned long ops_state = atomic_long_read(&p->scx.ops_state);
 unsigned int bt_len = 0;

 if (p->scx.dsq)
  scnprintf(dsq_id_buf, sizeof(dsq_id_buf), "0x%llx",
     (unsigned long long)p->scx.dsq->id);

 dump_newline(s);
 dump_line(s, " %c%c %s[%d] %+ldms",
    marker, task_state_to_char(p), p->comm, p->pid,
    jiffies_delta_msecs(p->scx.runnable_at, dctx->at_jiffies));
 dump_line(s, "      scx_state/flags=%u/0x%x dsq_flags=0x%x ops_state/qseq=%lu/%lu",
    scx_get_task_state(p), p->scx.flags & ~SCX_TASK_STATE_MASK,
    p->scx.dsq_flags, ops_state & SCX_OPSS_STATE_MASK,
    ops_state >> SCX_OPSS_QSEQ_SHIFT);
 dump_line(s, "      sticky/holding_cpu=%d/%d dsq_id=%s",
    p->scx.sticky_cpu, p->scx.holding_cpu, dsq_id_buf);
 dump_line(s, "      dsq_vtime=%llu slice=%llu weight=%u",
    p->scx.dsq_vtime, p->scx.slice, p->scx.weight);
 dump_line(s, "      cpus=%*pb", cpumask_pr_args(p->cpus_ptr));

 if (SCX_HAS_OP(sch, dump_task)) {
  ops_dump_init(s, "    ");
  SCX_CALL_OP(sch, SCX_KF_REST, dump_task, NULL, dctx, p);
  ops_dump_exit();
 }

#ifdef CONFIG_STACKTRACE
 bt_len = stack_trace_save_tsk(p, bt, SCX_EXIT_BT_LEN, 1);
#endif
 if (bt_len) {
  dump_newline(s);
  dump_stack_trace(s, "    ", bt, bt_len);
 }
}

static void scx_dump_state(struct scx_exit_info *ei, size_t dump_len)
{
 static DEFINE_SPINLOCK(dump_lock);
 static const char trunc_marker[] = "\n\n~~~~ TRUNCATED ~~~~\n";
 struct scx_sched *sch = scx_root;
 struct scx_dump_ctx dctx = {
  .kind = ei->kind,
  .exit_code = ei->exit_code,
  .reason = ei->reason,
  .at_ns = ktime_get_ns(),
  .at_jiffies = jiffies,
 };
 struct seq_buf s;
 struct scx_event_stats events;
 unsigned long flags;
 char *buf;
 int cpu;

 spin_lock_irqsave(&dump_lock, flags);

 seq_buf_init(&s, ei->dump, dump_len);

 if (ei->kind == SCX_EXIT_NONE) {
  dump_line(&s, "Debug dump triggered by %s", ei->reason);
 } else {
  dump_line(&s, "%s[%d] triggered exit kind %d:",
     current->comm, current->pid, ei->kind);
  dump_line(&s, "  %s (%s)", ei->reason, ei->msg);
  dump_newline(&s);
  dump_line(&s, "Backtrace:");
  dump_stack_trace(&s, "  ", ei->bt, ei->bt_len);
 }

 if (SCX_HAS_OP(sch, dump)) {
  ops_dump_init(&s, "");
  SCX_CALL_OP(sch, SCX_KF_UNLOCKED, dump, NULL, &dctx);
  ops_dump_exit();
 }

 dump_newline(&s);
 dump_line(&s, "CPU states");
 dump_line(&s, "----------");

 for_each_possible_cpu(cpu) {
  struct rq *rq = cpu_rq(cpu);
  struct rq_flags rf;
  struct task_struct *p;
  struct seq_buf ns;
  size_t avail, used;
  bool idle;

  rq_lock_irqsave(rq, &rf);

  idle = list_empty(&rq->scx.runnable_list) &&
   rq->curr->sched_class == &idle_sched_class;

  if (idle && !SCX_HAS_OP(sch, dump_cpu))
   goto next;

  /*
 * We don't yet know whether ops.dump_cpu() will produce output
 * and we may want to skip the default CPU dump if it doesn't.
 * Use a nested seq_buf to generate the standard dump so that we
 * can decide whether to commit later.
 */
  avail = seq_buf_get_buf(&s, &buf);
  seq_buf_init(&ns, buf, avail);

  dump_newline(&ns);
  dump_line(&ns, "CPU %-4d: nr_run=%u flags=0x%x cpu_rel=%d ops_qseq=%lu pnt_seq=%lu",
     cpu, rq->scx.nr_running, rq->scx.flags,
     rq->scx.cpu_released, rq->scx.ops_qseq,
     rq->scx.pnt_seq);
  dump_line(&ns, "          curr=%s[%d] class=%ps",
     rq->curr->comm, rq->curr->pid,
     rq->curr->sched_class);
  if (!cpumask_empty(rq->scx.cpus_to_kick))
   dump_line(&ns, "  cpus_to_kick   : %*pb",
      cpumask_pr_args(rq->scx.cpus_to_kick));
  if (!cpumask_empty(rq->scx.cpus_to_kick_if_idle))
   dump_line(&ns, "  idle_to_kick   : %*pb",
      cpumask_pr_args(rq->scx.cpus_to_kick_if_idle));
  if (!cpumask_empty(rq->scx.cpus_to_preempt))
   dump_line(&ns, "  cpus_to_preempt: %*pb",
      cpumask_pr_args(rq->scx.cpus_to_preempt));
  if (!cpumask_empty(rq->scx.cpus_to_wait))
   dump_line(&ns, "  cpus_to_wait   : %*pb",
      cpumask_pr_args(rq->scx.cpus_to_wait));

  used = seq_buf_used(&ns);
  if (SCX_HAS_OP(sch, dump_cpu)) {
   ops_dump_init(&ns, "  ");
   SCX_CALL_OP(sch, SCX_KF_REST, dump_cpu, NULL,
        &dctx, cpu, idle);
   ops_dump_exit();
  }

  /*
 * If idle && nothing generated by ops.dump_cpu(), there's
 * nothing interesting. Skip.
 */
  if (idle && used == seq_buf_used(&ns))
   goto next;

  /*
 * $s may already have overflowed when $ns was created. If so,
 * calling commit on it will trigger BUG.
 */
  if (avail) {
   seq_buf_commit(&s, seq_buf_used(&ns));
   if (seq_buf_has_overflowed(&ns))
    seq_buf_set_overflow(&s);
  }

  if (rq->curr->sched_class == &ext_sched_class)
   scx_dump_task(&s, &dctx, rq->curr, '*');

  list_for_each_entry(p, &rq->scx.runnable_list, scx.runnable_node)
   scx_dump_task(&s, &dctx, p, ' ');
 next:
  rq_unlock_irqrestore(rq, &rf);
 }

 dump_newline(&s);
 dump_line(&s, "Event counters");
 dump_line(&s, "--------------");

 scx_read_events(sch, &events);
 scx_dump_event(s, &events, SCX_EV_SELECT_CPU_FALLBACK);
 scx_dump_event(s, &events, SCX_EV_DISPATCH_LOCAL_DSQ_OFFLINE);
 scx_dump_event(s, &events, SCX_EV_DISPATCH_KEEP_LAST);
 scx_dump_event(s, &events, SCX_EV_ENQ_SKIP_EXITING);
 scx_dump_event(s, &events, SCX_EV_ENQ_SKIP_MIGRATION_DISABLED);
 scx_dump_event(s, &events, SCX_EV_REFILL_SLICE_DFL);
 scx_dump_event(s, &events, SCX_EV_BYPASS_DURATION);
 scx_dump_event(s, &events, SCX_EV_BYPASS_DISPATCH);
 scx_dump_event(s, &events, SCX_EV_BYPASS_ACTIVATE);

 if (seq_buf_has_overflowed(&s) && dump_len >= sizeof(trunc_marker))
  memcpy(ei->dump + dump_len - sizeof(trunc_marker),
         trunc_marker, sizeof(trunc_marker));

 spin_unlock_irqrestore(&dump_lock, flags);
}

static void scx_error_irq_workfn(struct irq_work *irq_work)
{
 struct scx_sched *sch = container_of(irq_work, struct scx_sched, error_irq_work);
 struct scx_exit_info *ei = sch->exit_info;

 if (ei->kind >= SCX_EXIT_ERROR)
  scx_dump_state(ei, sch->ops.exit_dump_len);

 kthread_queue_work(sch->helper, &sch->disable_work);
}

static void scx_vexit(struct scx_sched *sch,
        enum scx_exit_kind kind, s64 exit_code,
        const char *fmt, va_list args)
{
 struct scx_exit_info *ei = sch->exit_info;
 int none = SCX_EXIT_NONE;

 if (!atomic_try_cmpxchg(&sch->exit_kind, &none, kind))
  return;

 ei->exit_code = exit_code;
#ifdef CONFIG_STACKTRACE
 if (kind >= SCX_EXIT_ERROR)
  ei->bt_len = stack_trace_save(ei->bt, SCX_EXIT_BT_LEN, 1);
#endif
 vscnprintf(ei->msg, SCX_EXIT_MSG_LEN, fmt, args);

 /*
 * Set ei->kind and ->reason for scx_dump_state(). They'll be set again
 * in scx_disable_workfn().
 */
 ei->kind = kind;
 ei->reason = scx_exit_reason(ei->kind);

 irq_work_queue(&sch->error_irq_work);
}

static struct scx_sched *scx_alloc_and_add_sched(struct sched_ext_ops *ops)
{
 struct scx_sched *sch;
 int node, ret;

 sch = kzalloc(sizeof(*sch), GFP_KERNEL);
 if (!sch)
  return ERR_PTR(-ENOMEM);

 sch->exit_info = alloc_exit_info(ops->exit_dump_len);
 if (!sch->exit_info) {
  ret = -ENOMEM;
  goto err_free_sch;
 }

 ret = rhashtable_init(&sch->dsq_hash, &dsq_hash_params);
 if (ret < 0)
  goto err_free_ei;

 sch->global_dsqs = kcalloc(nr_node_ids, sizeof(sch->global_dsqs[0]),
       GFP_KERNEL);
 if (!sch->global_dsqs) {
  ret = -ENOMEM;
  goto err_free_hash;
 }

 for_each_node_state(node, N_POSSIBLE) {
  struct scx_dispatch_q *dsq;

  dsq = kzalloc_node(sizeof(*dsq), GFP_KERNEL, node);
  if (!dsq) {
   ret = -ENOMEM;
   goto err_free_gdsqs;
  }

  init_dsq(dsq, SCX_DSQ_GLOBAL);
  sch->global_dsqs[node] = dsq;
 }

 sch->pcpu = alloc_percpu(struct scx_sched_pcpu);
 if (!sch->pcpu)
  goto err_free_gdsqs;

 sch->helper = kthread_run_worker(0, "sched_ext_helper");
 if (!sch->helper)
  goto err_free_pcpu;
 sched_set_fifo(sch->helper->task);

 atomic_set(&sch->exit_kind, SCX_EXIT_NONE);
 init_irq_work(&sch->error_irq_work, scx_error_irq_workfn);
 kthread_init_work(&sch->disable_work, scx_disable_workfn);
 sch->ops = *ops;
 ops->priv = sch;

 sch->kobj.kset = scx_kset;
 ret = kobject_init_and_add(&sch->kobj, &scx_ktype, NULL, "root");
 if (ret < 0)
  goto err_stop_helper;

 return sch;

err_stop_helper:
 kthread_stop(sch->helper->task);
err_free_pcpu:
 free_percpu(sch->pcpu);
err_free_gdsqs:
 for_each_node_state(node, N_POSSIBLE)
  kfree(sch->global_dsqs[node]);
 kfree(sch->global_dsqs);
err_free_hash:
 rhashtable_free_and_destroy(&sch->dsq_hash, NULL, NULL);
err_free_ei:
 free_exit_info(sch->exit_info);
err_free_sch:
 kfree(sch);
 return ERR_PTR(ret);
}

static void check_hotplug_seq(struct scx_sched *sch,
         const struct sched_ext_ops *ops)
{
 unsigned long long global_hotplug_seq;

 /*
 * If a hotplug event has occurred between when a scheduler was
 * initialized, and when we were able to attach, exit and notify user
 * space about it.
 */
 if (ops->hotplug_seq) {
  global_hotplug_seq = atomic_long_read(&scx_hotplug_seq);
  if (ops->hotplug_seq != global_hotplug_seq) {
   scx_exit(sch, SCX_EXIT_UNREG_KERN,
     SCX_ECODE_ACT_RESTART | SCX_ECODE_RSN_HOTPLUG,
     "expected hotplug seq %llu did not match actual %llu",
     ops->hotplug_seq, global_hotplug_seq);
  }
 }
}

static int validate_ops(struct scx_sched *sch, const struct sched_ext_ops *ops)
{
 /*
 * It doesn't make sense to specify the SCX_OPS_ENQ_LAST flag if the
 * ops.enqueue() callback isn't implemented.
 */
 if ((ops->flags & SCX_OPS_ENQ_LAST) && !ops->enqueue) {
  scx_error(sch, "SCX_OPS_ENQ_LAST requires ops.enqueue() to be implemented");
  return -EINVAL;
 }

 /*
 * SCX_OPS_BUILTIN_IDLE_PER_NODE requires built-in CPU idle
 * selection policy to be enabled.
 */
 if ((ops->flags & SCX_OPS_BUILTIN_IDLE_PER_NODE) &&
     (ops->update_idle && !(ops->flags & SCX_OPS_KEEP_BUILTIN_IDLE))) {
  scx_error(sch, "SCX_OPS_BUILTIN_IDLE_PER_NODE requires CPU idle selection enabled");
  return -EINVAL;
 }

 if (ops->flags & SCX_OPS_HAS_CGROUP_WEIGHT)
  pr_warn("SCX_OPS_HAS_CGROUP_WEIGHT is deprecated and a noop\n");

 return 0;
}

static int scx_enable(struct sched_ext_ops *ops, struct bpf_link *link)
{
 struct scx_sched *sch;
 struct scx_task_iter sti;
 struct task_struct *p;
 unsigned long timeout;
 int i, cpu, ret;

 if (!cpumask_equal(housekeeping_cpumask(HK_TYPE_DOMAIN),
      cpu_possible_mask)) {
  pr_err("sched_ext: Not compatible with \"isolcpus=\" domain isolation\n");
  return -EINVAL;
 }

 mutex_lock(&scx_enable_mutex);

 if (scx_enable_state() != SCX_DISABLED) {
  ret = -EBUSY;
  goto err_unlock;
 }

 sch = scx_alloc_and_add_sched(ops);
 if (IS_ERR(sch)) {
  ret = PTR_ERR(sch);
  goto err_unlock;
 }

 /*
 * Transition to ENABLING and clear exit info to arm the disable path.
 * Failure triggers full disabling from here on.
 */
 WARN_ON_ONCE(scx_set_enable_state(SCX_ENABLING) != SCX_DISABLED);
 WARN_ON_ONCE(scx_root);

 atomic_long_set(&scx_nr_rejected, 0);

 for_each_possible_cpu(cpu)
  cpu_rq(cpu)->scx.cpuperf_target = SCX_CPUPERF_ONE;

 /*
 * Keep CPUs stable during enable so that the BPF scheduler can track
 * online CPUs by watching ->on/offline_cpu() after ->init().
 */
 cpus_read_lock();

 /*
 * Make the scheduler instance visible. Must be inside cpus_read_lock().
 * See handle_hotplug().
 */
 rcu_assign_pointer(scx_root, sch);

 scx_idle_enable(ops);

 if (sch->ops.init) {
  ret = SCX_CALL_OP_RET(sch, SCX_KF_UNLOCKED, init, NULL);
  if (ret) {
   ret = ops_sanitize_err(sch, "init", ret);
   cpus_read_unlock();
   scx_error(sch, "ops.init() failed (%d)", ret);
   goto err_disable;
  }
 }

 for (i = SCX_OPI_CPU_HOTPLUG_BEGIN; i < SCX_OPI_CPU_HOTPLUG_END; i++)
  if (((void (**)(void))ops)[i])
   set_bit(i, sch->has_op);

 check_hotplug_seq(sch, ops);
 scx_idle_update_selcpu_topology(ops);

 cpus_read_unlock();

 ret = validate_ops(sch, ops);
 if (ret)
  goto err_disable;

 WARN_ON_ONCE(scx_dsp_ctx);
 scx_dsp_max_batch = ops->dispatch_max_batch ?: SCX_DSP_DFL_MAX_BATCH;
 scx_dsp_ctx = __alloc_percpu(struct_size_t(struct scx_dsp_ctx, buf,
         scx_dsp_max_batch),
         __alignof__(struct scx_dsp_ctx));
 if (!scx_dsp_ctx) {
  ret = -ENOMEM;
  goto err_disable;
 }

 if (ops->timeout_ms)
  timeout = msecs_to_jiffies(ops->timeout_ms);
 else
  timeout = SCX_WATCHDOG_MAX_TIMEOUT;

 WRITE_ONCE(scx_watchdog_timeout, timeout);
 WRITE_ONCE(scx_watchdog_timestamp, jiffies);
 queue_delayed_work(system_unbound_wq, &scx_watchdog_work,
      scx_watchdog_timeout / 2);

 /*
 * Once __scx_enabled is set, %current can be switched to SCX anytime.
 * This can lead to stalls as some BPF schedulers (e.g. userspace
 * scheduling) may not function correctly before all tasks are switched.
 * Init in bypass mode to guarantee forward progress.
 */
 scx_bypass(true);

 for (i = SCX_OPI_NORMAL_BEGIN; i < SCX_OPI_NORMAL_END; i++)
  if (((void (**)(void))ops)[i])
   set_bit(i, sch->has_op);

 if (sch->ops.cpu_acquire || sch->ops.cpu_release)
  sch->ops.flags |= SCX_OPS_HAS_CPU_PREEMPT;

 /*
 * Lock out forks, cgroup on/offlining and moves before opening the
 * floodgate so that they don't wander into the operations prematurely.
 */
 percpu_down_write(&scx_fork_rwsem);

 WARN_ON_ONCE(scx_init_task_enabled);
 scx_init_task_enabled = true;

 /*
 * Enable ops for every task. Fork is excluded by scx_fork_rwsem
 * preventing new tasks from being added. No need to exclude tasks
 * leaving as sched_ext_free() can handle both prepped and enabled
 * tasks. Prep all tasks first and then enable them with preemption
 * disabled.
 *
 * All cgroups should be initialized before scx_init_task() so that the
 * BPF scheduler can reliably track each task's cgroup membership from
 * scx_init_task(). Lock out cgroup on/offlining and task migrations
 * while tasks are being initialized so that scx_cgroup_can_attach()
 * never sees uninitialized tasks.
 */
 scx_cgroup_lock();
 ret = scx_cgroup_init(sch);
 if (ret)
  goto err_disable_unlock_all;

 scx_task_iter_start(&sti);
 while ((p = scx_task_iter_next_locked(&sti))) {
  /*
 * @p may already be dead, have lost all its usages counts and
 * be waiting for RCU grace period before being freed. @p can't
 * be initialized for SCX in such cases and should be ignored.
 */
  if (!tryget_task_struct(p))
   continue;

  scx_task_iter_unlock(&sti);

  ret = scx_init_task(p, task_group(p), false);
  if (ret) {
   put_task_struct(p);
   scx_task_iter_relock(&sti);
   scx_task_iter_stop(&sti);
   scx_error(sch, "ops.init_task() failed (%d) for %s[%d]",
      ret, p->comm, p->pid);
   goto err_disable_unlock_all;
  }

  scx_set_task_state(p, SCX_TASK_READY);

  put_task_struct(p);
  scx_task_iter_relock(&sti);
 }
 scx_task_iter_stop(&sti);
 scx_cgroup_unlock();
 percpu_up_write(&scx_fork_rwsem);

 /*
 * All tasks are READY. It's safe to turn on scx_enabled() and switch
 * all eligible tasks.
 */
 WRITE_ONCE(scx_switching_all, !(ops->flags & SCX_OPS_SWITCH_PARTIAL));
 static_branch_enable(&__scx_enabled);

 /*
 * We're fully committed and can't fail. The task READY -> ENABLED
 * transitions here are synchronized against sched_ext_free() through
 * scx_tasks_lock.
 */
 percpu_down_write(&scx_fork_rwsem);
 scx_task_iter_start(&sti);
 while ((p = scx_task_iter_next_locked(&sti))) {
  const struct sched_class *old_class = p->sched_class;
  const struct sched_class *new_class =
   __setscheduler_class(p->policy, p->prio);
  struct sched_enq_and_set_ctx ctx;

  if (!tryget_task_struct(p))
   continue;

  if (old_class != new_class && p->se.sched_delayed)
   dequeue_task(task_rq(p), p, DEQUEUE_SLEEP | DEQUEUE_DELAYED);

  sched_deq_and_put_task(p, DEQUEUE_SAVE | DEQUEUE_MOVE, &ctx);

  p->scx.slice = SCX_SLICE_DFL;
  p->sched_class = new_class;
  check_class_changing(task_rq(p), p, old_class);

  sched_enq_and_set_task(&ctx);

  check_class_changed(task_rq(p), p, old_class, p->prio);
  put_task_struct(p);
 }
 scx_task_iter_stop(&sti);
 percpu_up_write(&scx_fork_rwsem);

 scx_bypass(false);

 if (!scx_tryset_enable_state(SCX_ENABLED, SCX_ENABLING)) {
  WARN_ON_ONCE(atomic_read(&sch->exit_kind) == SCX_EXIT_NONE);
  goto err_disable;
 }

 if (!(ops->flags & SCX_OPS_SWITCH_PARTIAL))
  static_branch_enable(&__scx_switched_all);

 pr_info("sched_ext: BPF scheduler \"%s\" enabled%s\n",
  sch->ops.name, scx_switched_all() ? "" : " (partial)");
 kobject_uevent(&sch->kobj, KOBJ_ADD);
 mutex_unlock(&scx_enable_mutex);

 atomic_long_inc(&scx_enable_seq);

 return 0;

err_unlock:
 mutex_unlock(&scx_enable_mutex);
 return ret;

err_disable_unlock_all:
 scx_cgroup_unlock();
 percpu_up_write(&scx_fork_rwsem);
 /* we'll soon enter disable path, keep bypass on */
err_disable:
 mutex_unlock(&scx_enable_mutex);
 /*
 * Returning an error code here would not pass all the error information
 * to userspace. Record errno using scx_error() for cases scx_error()
 * wasn't already invoked and exit indicating success so that the error
 * is notified through ops.exit() with all the details.
 *
 * Flush scx_disable_work to ensure that error is reported before init
 * completion. sch's base reference will be put by bpf_scx_unreg().
 */
 scx_error(sch, "scx_enable() failed (%d)", ret);
 kthread_flush_work(&sch->disable_work);
 return 0;
}


/********************************************************************************
 * bpf_struct_ops plumbing.
 */
#include <linux/bpf_verifier.h>
#include <linux/bpf.h>
#include <linux/btf.h>

static const struct btf_type *task_struct_type;

static bool bpf_scx_is_valid_access(int off, int size,
        enum bpf_access_type type,
        const struct bpf_prog *prog,
        struct bpf_insn_access_aux *info)
{
 if (type != BPF_READ)
  return false;
 if (off < 0 || off >= sizeof(__u64) * MAX_BPF_FUNC_ARGS)
  return false;
 if (off % size != 0)
  return false;

 return btf_ctx_access(off, size, type, prog, info);
}

static int bpf_scx_btf_struct_access(struct bpf_verifier_log *log,
         const struct bpf_reg_state *reg, int off,
         int size)
{
 const struct btf_type *t;

 t = btf_type_by_id(reg->btf, reg->btf_id);
 if (t == task_struct_type) {
  if (off >= offsetof(struct task_struct, scx.slice) &&
      off + size <= offsetofend(struct task_struct, scx.slice))
   return SCALAR_VALUE;
  if (off >= offsetof(struct task_struct, scx.dsq_vtime) &&
      off + size <= offsetofend(struct task_struct, scx.dsq_vtime))
   return SCALAR_VALUE;
  if (off >= offsetof(struct task_struct, scx.disallow) &&
      off + size <= offsetofend(struct task_struct, scx.disallow))
   return SCALAR_VALUE;
 }

 return -EACCES;
}

static const struct bpf_verifier_ops bpf_scx_verifier_ops = {
 .get_func_proto = bpf_base_func_proto,
 .is_valid_access = bpf_scx_is_valid_access,
 .btf_struct_access = bpf_scx_btf_struct_access,
};

static int bpf_scx_init_member(const struct btf_type *t,
          const struct btf_member *member,
          void *kdata, const void *udata)
{
 const struct sched_ext_ops *uops = udata;
 struct sched_ext_ops *ops = kdata;
 u32 moff = __btf_member_bit_offset(t, member) / 8;
 int ret;

 switch (moff) {
 case offsetof(struct sched_ext_ops, dispatch_max_batch):
  if (*(u32 *)(udata + moff) > INT_MAX)
   return -E2BIG;
  ops->dispatch_max_batch = *(u32 *)(udata + moff);
  return 1;
 case offsetof(struct sched_ext_ops, flags):
  if (*(u64 *)(udata + moff) & ~SCX_OPS_ALL_FLAGS)
   return -EINVAL;
  ops->flags = *(u64 *)(udata + moff);
  return 1;
 case offsetof(struct sched_ext_ops, name):
  ret = bpf_obj_name_cpy(ops->name, uops->name,
           sizeof(ops->name));
  if (ret < 0)
   return ret;
  if (ret == 0)
   return -EINVAL;
  return 1;
 case offsetof(struct sched_ext_ops, timeout_ms):
  if (msecs_to_jiffies(*(u32 *)(udata + moff)) >
      SCX_WATCHDOG_MAX_TIMEOUT)
   return -E2BIG;
  ops->timeout_ms = *(u32 *)(udata + moff);
  return 1;
 case offsetof(struct sched_ext_ops, exit_dump_len):
  ops->exit_dump_len =
   *(u32 *)(udata + moff) ?: SCX_EXIT_DUMP_DFL_LEN;
  return 1;
 case offsetof(struct sched_ext_ops, hotplug_seq):
  ops->hotplug_seq = *(u64 *)(udata + moff);
  return 1;
 }

 return 0;
}

static int bpf_scx_check_member(const struct btf_type *t,
    const struct btf_member *member,
    const struct bpf_prog *prog)
{
 u32 moff = __btf_member_bit_offset(t, member) / 8;

 switch (moff) {
 case offsetof(struct sched_ext_ops, init_task):
#ifdef CONFIG_EXT_GROUP_SCHED
 case offsetof(struct sched_ext_ops, cgroup_init):
 case offsetof(struct sched_ext_ops, cgroup_exit):
 case offsetof(struct sched_ext_ops, cgroup_prep_move):
#endif
 case offsetof(struct sched_ext_ops, cpu_online):
 case offsetof(struct sched_ext_ops, cpu_offline):
 case offsetof(struct sched_ext_ops, init):
 case offsetof(struct sched_ext_ops, exit):
  break;
 default:
  if (prog->sleepable)
   return -EINVAL;
 }

 return 0;
}

static int bpf_scx_reg(void *kdata, struct bpf_link *link)
{
 return scx_enable(kdata, link);
}

static void bpf_scx_unreg(void *kdata, struct bpf_link *link)
{
 struct sched_ext_ops *ops = kdata;
 struct scx_sched *sch = ops->priv;

 scx_disable(SCX_EXIT_UNREG);
 kthread_flush_work(&sch->disable_work);
 kobject_put(&sch->kobj);
}

static int bpf_scx_init(struct btf *btf)
{
 task_struct_type = btf_type_by_id(btf, btf_tracing_ids[BTF_TRACING_TYPE_TASK]);

 return 0;
}

static int bpf_scx_update(void *kdata, void *old_kdata, struct bpf_link *link)
{
 /*
 * sched_ext does not support updating the actively-loaded BPF
 * scheduler, as registering a BPF scheduler can always fail if the
 * scheduler returns an error code for e.g. ops.init(), ops.init_task(),
 * etc. Similarly, we can always race with unregistration happening
 * elsewhere, such as with sysrq.
 */
 return -EOPNOTSUPP;
}

static int bpf_scx_validate(void *kdata)
{
 return 0;
}

static s32 sched_ext_ops__select_cpu(struct task_struct *p, s32 prev_cpu, u64 wake_flags) { return -EINVAL; }
static void sched_ext_ops__enqueue(struct task_struct *p, u64 enq_flags) {}
static void sched_ext_ops__dequeue(struct task_struct *p, u64 enq_flags) {}
static void sched_ext_ops__dispatch(s32 prev_cpu, struct task_struct *prev__nullable) {}
static void sched_ext_ops__tick(struct task_struct *p) {}
static void sched_ext_ops__runnable(struct task_struct *p, u64 enq_flags) {}
static void sched_ext_ops__running(struct task_struct *p) {}
static void sched_ext_ops__stopping(struct task_struct *p, bool runnable) {}
static void sched_ext_ops__quiescent(struct task_struct *p, u64 deq_flags) {}
static bool sched_ext_ops__yield(struct task_struct *from, struct task_struct *to__nullable) { return false; }
static bool sched_ext_ops__core_sched_before(struct task_struct *a, struct task_struct *b) { return false; }
static void sched_ext_ops__set_weight(struct task_struct *p, u32 weight) {}
static void sched_ext_ops__set_cpumask(struct task_struct *p, const struct cpumask *mask) {}
static void sched_ext_ops__update_idle(s32 cpu, bool idle) {}
static void sched_ext_ops__cpu_acquire(s32 cpu, struct scx_cpu_acquire_args *args) {}
static void sched_ext_ops__cpu_release(s32 cpu, struct scx_cpu_release_args *args) {}
static s32 sched_ext_ops__init_task(struct task_struct *p, struct scx_init_task_args *args) { return -EINVAL; }
static void sched_ext_ops__exit_task(struct task_struct *p, struct scx_exit_task_args *args) {}
static void sched_ext_ops__enable(struct task_struct *p) {}
static void sched_ext_ops__disable(struct task_struct *p) {}
#ifdef CONFIG_EXT_GROUP_SCHED
static s32 sched_ext_ops__cgroup_init(struct cgroup *cgrp, struct scx_cgroup_init_args *args) { return -EINVAL; }
static void sched_ext_ops__cgroup_exit(struct cgroup *cgrp) {}
static s32 sched_ext_ops__cgroup_prep_move(struct task_struct *p, struct cgroup *from, struct cgroup *to) { return -EINVAL; }
static void sched_ext_ops__cgroup_move(struct task_struct *p, struct cgroup *from, struct cgroup *to) {}
static void sched_ext_ops__cgroup_cancel_move(struct task_struct *p, struct cgroup *from, struct cgroup *to) {}
static void sched_ext_ops__cgroup_set_weight(struct cgroup *cgrp, u32 weight) {}
static void sched_ext_ops__cgroup_set_bandwidth(struct cgroup *cgrp, u64 period_us, u64 quota_us, u64 burst_us) {}
#endif
static void sched_ext_ops__cpu_online(s32 cpu) {}
static void sched_ext_ops__cpu_offline(s32 cpu) {}
static s32 sched_ext_ops__init(void) { return -EINVAL; }
static void sched_ext_ops__exit(struct scx_exit_info *info) {}
static void sched_ext_ops__dump(struct scx_dump_ctx *ctx) {}
static void sched_ext_ops__dump_cpu(struct scx_dump_ctx *ctx, s32 cpu, bool idle) {}
static void sched_ext_ops__dump_task(struct scx_dump_ctx *ctx, struct task_struct *p) {}

static struct sched_ext_ops __bpf_ops_sched_ext_ops = {
 .select_cpu  = sched_ext_ops__select_cpu,
 .enqueue  = sched_ext_ops__enqueue,
 .dequeue  = sched_ext_ops__dequeue,
 .dispatch  = sched_ext_ops__dispatch,
 .tick   = sched_ext_ops__tick,
 .runnable  = sched_ext_ops__runnable,
 .running  = sched_ext_ops__running,
 .stopping  = sched_ext_ops__stopping,
 .quiescent  = sched_ext_ops__quiescent,
 .yield   = sched_ext_ops__yield,
 .core_sched_before = sched_ext_ops__core_sched_before,
 .set_weight  = sched_ext_ops__set_weight,
 .set_cpumask  = sched_ext_ops__set_cpumask,
 .update_idle  = sched_ext_ops__update_idle,
 .cpu_acquire  = sched_ext_ops__cpu_acquire,
 .cpu_release  = sched_ext_ops__cpu_release,
 .init_task  = sched_ext_ops__init_task,
 .exit_task  = sched_ext_ops__exit_task,
 .enable   = sched_ext_ops__enable,
 .disable  = sched_ext_ops__disable,
#ifdef CONFIG_EXT_GROUP_SCHED
 .cgroup_init  = sched_ext_ops__cgroup_init,
 .cgroup_exit  = sched_ext_ops__cgroup_exit,
 .cgroup_prep_move = sched_ext_ops__cgroup_prep_move,
 .cgroup_move  = sched_ext_ops__cgroup_move,
 .cgroup_cancel_move = sched_ext_ops__cgroup_cancel_move,
 .cgroup_set_weight = sched_ext_ops__cgroup_set_weight,
 .cgroup_set_bandwidth = sched_ext_ops__cgroup_set_bandwidth,
#endif
 .cpu_online  = sched_ext_ops__cpu_online,
 .cpu_offline  = sched_ext_ops__cpu_offline,
 .init   = sched_ext_ops__init,
 .exit   = sched_ext_ops__exit,
 .dump   = sched_ext_ops__dump,
 .dump_cpu  = sched_ext_ops__dump_cpu,
 .dump_task  = sched_ext_ops__dump_task,
};

static struct bpf_struct_ops bpf_sched_ext_ops = {
 .verifier_ops = &bpf_scx_verifier_ops,
 .reg = bpf_scx_reg,
 .unreg = bpf_scx_unreg,
 .check_member = bpf_scx_check_member,
 .init_member = bpf_scx_init_member,
 .init = bpf_scx_init,
 .update = bpf_scx_update,
 .validate = bpf_scx_validate,
 .name = "sched_ext_ops",
 .owner = THIS_MODULE,
 .cfi_stubs = &__bpf_ops_sched_ext_ops
};


/********************************************************************************
 * System integration and init.
 */

static void sysrq_handle_sched_ext_reset(u8 key)
{
 scx_disable(SCX_EXIT_SYSRQ);
}

static const struct sysrq_key_op sysrq_sched_ext_reset_op = {
 .handler = sysrq_handle_sched_ext_reset,
 .help_msg = "reset-sched-ext(S)",
 .action_msg = "Disable sched_ext and revert all tasks to CFS",
 .enable_mask = SYSRQ_ENABLE_RTNICE,
};

static void sysrq_handle_sched_ext_dump(u8 key)
{
 struct scx_exit_info ei = { .kind = SCX_EXIT_NONE, .reason = "SysRq-D" };

 if (scx_enabled())
  scx_dump_state(&ei, 0);
}

static const struct sysrq_key_op sysrq_sched_ext_dump_op = {
 .handler = sysrq_handle_sched_ext_dump,
 .help_msg = "dump-sched-ext(D)",
 .action_msg = "Trigger sched_ext debug dump",
 .enable_mask = SYSRQ_ENABLE_RTNICE,
};

static bool can_skip_idle_kick(struct rq *rq)
{
 lockdep_assert_rq_held(rq);

 /*
 * We can skip idle kicking if @rq is going to go through at least one
 * full SCX scheduling cycle before going idle. Just checking whether
 * curr is not idle is insufficient because we could be racing
 * balance_one() trying to pull the next task from a remote rq, which
 * may fail, and @rq may become idle afterwards.
 *
 * The race window is small and we don't and can't guarantee that @rq is
 * only kicked while idle anyway. Skip only when sure.
 */
 return !is_idle_task(rq->curr) && !(rq->scx.flags & SCX_RQ_IN_BALANCE);
}

static bool kick_one_cpu(s32 cpu, struct rq *this_rq, unsigned long *pseqs)
{
 struct rq *rq = cpu_rq(cpu);
 struct scx_rq *this_scx = &this_rq->scx;
 bool should_wait = false;
 unsigned long flags;

 raw_spin_rq_lock_irqsave(rq, flags);

 /*
 * During CPU hotplug, a CPU may depend on kicking itself to make
 * forward progress. Allow kicking self regardless of online state.
 */
 if (cpu_online(cpu) || cpu == cpu_of(this_rq)) {
  if (cpumask_test_cpu(cpu, this_scx->cpus_to_preempt)) {
   if (rq->curr->sched_class == &ext_sched_class)
    rq->curr->scx.slice = 0;
   cpumask_clear_cpu(cpu, this_scx->cpus_to_preempt);
  }

  if (cpumask_test_cpu(cpu, this_scx->cpus_to_wait)) {
   pseqs[cpu] = rq->scx.pnt_seq;
   should_wait = true;
  }

  resched_curr(rq);
 } else {
  cpumask_clear_cpu(cpu, this_scx->cpus_to_preempt);
  cpumask_clear_cpu(cpu, this_scx->cpus_to_wait);
 }

 raw_spin_rq_unlock_irqrestore(rq, flags);

 return should_wait;
}

static void kick_one_cpu_if_idle(s32 cpu, struct rq *this_rq)
{
 struct rq *rq = cpu_rq(cpu);
 unsigned long flags;

 raw_spin_rq_lock_irqsave(rq, flags);

 if (!can_skip_idle_kick(rq) &&
     (cpu_online(cpu) || cpu == cpu_of(this_rq)))
  resched_curr(rq);

 raw_spin_rq_unlock_irqrestore(rq, flags);
}

static void kick_cpus_irq_workfn(struct irq_work *irq_work)
{
 struct rq *this_rq = this_rq();
 struct scx_rq *this_scx = &this_rq->scx;
 unsigned long *pseqs = this_cpu_ptr(scx_kick_cpus_pnt_seqs);
 bool should_wait = false;
 s32 cpu;

 for_each_cpu(cpu, this_scx->cpus_to_kick) {
  should_wait |= kick_one_cpu(cpu, this_rq, pseqs);
  cpumask_clear_cpu(cpu, this_scx->cpus_to_kick);
  cpumask_clear_cpu(cpu, this_scx->cpus_to_kick_if_idle);
 }

 for_each_cpu(cpu, this_scx->cpus_to_kick_if_idle) {
  kick_one_cpu_if_idle(cpu, this_rq);
  cpumask_clear_cpu(cpu, this_scx->cpus_to_kick_if_idle);
 }

 if (!should_wait)
  return;

 for_each_cpu(cpu, this_scx->cpus_to_wait) {
  unsigned long *wait_pnt_seq = &cpu_rq(cpu)->scx.pnt_seq;

  if (cpu != cpu_of(this_rq)) {
   /*
 * Pairs with smp_store_release() issued by this CPU in
 * switch_class() on the resched path.
 *
 * We busy-wait here to guarantee that no other task can
 * be scheduled on our core before the target CPU has
 * entered the resched path.
 */
   while (smp_load_acquire(wait_pnt_seq) == pseqs[cpu])
    cpu_relax();
  }

  cpumask_clear_cpu(cpu, this_scx->cpus_to_wait);
 }
}

/**
 * print_scx_info - print out sched_ext scheduler state
 * @log_lvl: the log level to use when printing
 * @p: target task
 *
 * If a sched_ext scheduler is enabled, print the name and state of the
 * scheduler. If @p is on sched_ext, print further information about the task.
 *
 * This function can be safely called on any task as long as the task_struct
 * itself is accessible. While safe, this function isn't synchronized and may
 * print out mixups or garbages of limited length.
 */
void print_scx_info(const char *log_lvl, struct task_struct *p)
{
 struct scx_sched *sch = scx_root;
 enum scx_enable_state state = scx_enable_state();
 const char *all = READ_ONCE(scx_switching_all) ? "+all" : "";
 char runnable_at_buf[22] = "?";
 struct sched_class *class;
 unsigned long runnable_at;

 if (state == SCX_DISABLED)
  return;

 /*
 * Carefully check if the task was running on sched_ext, and then
 * carefully copy the time it's been runnable, and its state.
 */
 if (copy_from_kernel_nofault(&class, &p->sched_class, sizeof(class)) ||
     class != &ext_sched_class) {
  printk("%sSched_ext: %s (%s%s)", log_lvl, sch->ops.name,
         scx_enable_state_str[state], all);
  return;
 }

 if (!copy_from_kernel_nofault(&runnable_at, &p->scx.runnable_at,
          sizeof(runnable_at)))
  scnprintf(runnable_at_buf, sizeof(runnable_at_buf), "%+ldms",
     jiffies_delta_msecs(runnable_at, jiffies));

 /* print everything onto one line to conserve console space */
 printk("%sSched_ext: %s (%s%s), task: runnable_at=%s",
        log_lvl, sch->ops.name, scx_enable_state_str[state], all,
        runnable_at_buf);
}

static int scx_pm_handler(struct notifier_block *nb, unsigned long event, void *ptr)
{
 /*
 * SCX schedulers often have userspace components which are sometimes
 * involved in critial scheduling paths. PM operations involve freezing
 * userspace which can lead to scheduling misbehaviors including stalls.
 * Let's bypass while PM operations are in progress.
 */
 switch (event) {
 case PM_HIBERNATION_PREPARE:
 case PM_SUSPEND_PREPARE:
 case PM_RESTORE_PREPARE:
  scx_bypass(true);
  break;
 case PM_POST_HIBERNATION:
 case PM_POST_SUSPEND:
 case PM_POST_RESTORE:
  scx_bypass(false);
  break;
 }

 return NOTIFY_OK;
}

static struct notifier_block scx_pm_notifier = {
 .notifier_call = scx_pm_handler,
};

void __init init_sched_ext_class(void)
{
 s32 cpu, v;

 /*
 * The following is to prevent the compiler from optimizing out the enum
 * definitions so that BPF scheduler implementations can use them
 * through the generated vmlinux.h.
 */
 WRITE_ONCE(v, SCX_ENQ_WAKEUP | SCX_DEQ_SLEEP | SCX_KICK_PREEMPT |
     SCX_TG_ONLINE);

 scx_idle_init_masks();

 scx_kick_cpus_pnt_seqs =
  __alloc_percpu(sizeof(scx_kick_cpus_pnt_seqs[0]) * nr_cpu_ids,
          __alignof__(scx_kick_cpus_pnt_seqs[0]));
 BUG_ON(!scx_kick_cpus_pnt_seqs);

 for_each_possible_cpu(cpu) {
  struct rq *rq = cpu_rq(cpu);
  int  n = cpu_to_node(cpu);

  init_dsq(&rq->scx.local_dsq, SCX_DSQ_LOCAL);
  INIT_LIST_HEAD(&rq->scx.runnable_list);
  INIT_LIST_HEAD(&rq->scx.ddsp_deferred_locals);

  BUG_ON(!zalloc_cpumask_var_node(&rq->scx.cpus_to_kick, GFP_KERNEL, n));
  BUG_ON(!zalloc_cpumask_var_node(&rq->scx.cpus_to_kick_if_idle, GFP_KERNEL, n));
  BUG_ON(!zalloc_cpumask_var_node(&rq->scx.cpus_to_preempt, GFP_KERNEL, n));
  BUG_ON(!zalloc_cpumask_var_node(&rq->scx.cpus_to_wait, GFP_KERNEL, n));
  init_irq_work(&rq->scx.deferred_irq_work, deferred_irq_workfn);
  init_irq_work(&rq->scx.kick_cpus_irq_work, kick_cpus_irq_workfn);

  if (cpu_online(cpu))
   cpu_rq(cpu)->scx.flags |= SCX_RQ_ONLINE;
 }

 register_sysrq_key('S', &sysrq_sched_ext_reset_op);
 register_sysrq_key('D', &sysrq_sched_ext_dump_op);
 INIT_DELAYED_WORK(&scx_watchdog_work, scx_watchdog_workfn);
}


/********************************************************************************
 * Helpers that can be called from the BPF scheduler.
 */
static bool scx_dsq_insert_preamble(struct task_struct *p, u64 enq_flags)
{
 if (!scx_kf_allowed(SCX_KF_ENQUEUE | SCX_KF_DISPATCH))
  return false;

 lockdep_assert_irqs_disabled();

 if (unlikely(!p)) {
  scx_kf_error("called with NULL task");
  return false;
 }

 if (unlikely(enq_flags & __SCX_ENQ_INTERNAL_MASK)) {
  scx_kf_error("invalid enq_flags 0x%llx", enq_flags);
  return false;
 }

 return true;
}

static void scx_dsq_insert_commit(struct task_struct *p, u64 dsq_id,
      u64 enq_flags)
{
 struct scx_dsp_ctx *dspc = this_cpu_ptr(scx_dsp_ctx);
 struct task_struct *ddsp_task;

 ddsp_task = __this_cpu_read(direct_dispatch_task);
 if (ddsp_task) {
  mark_direct_dispatch(ddsp_task, p, dsq_id, enq_flags);
  return;
 }

 if (unlikely(dspc->cursor >= scx_dsp_max_batch)) {
  scx_kf_error("dispatch buffer overflow");
  return;
 }

 dspc->buf[dspc->cursor++] = (struct scx_dsp_buf_ent){
  .task = p,
  .qseq = atomic_long_read(&p->scx.ops_state) & SCX_OPSS_QSEQ_MASK,
  .dsq_id = dsq_id,
  .enq_flags = enq_flags,
 };
}

__bpf_kfunc_start_defs();

/**
 * scx_bpf_dsq_insert - Insert a task into the FIFO queue of a DSQ
 * @p: task_struct to insert
 * @dsq_id: DSQ to insert into
 * @slice: duration @p can run for in nsecs, 0 to keep the current value
 * @enq_flags: SCX_ENQ_*
 *
 * Insert @p into the FIFO queue of the DSQ identified by @dsq_id. It is safe to
 * call this function spuriously. Can be called from ops.enqueue(),
 * ops.select_cpu(), and ops.dispatch().
 *
 * When called from ops.select_cpu() or ops.enqueue(), it's for direct dispatch
 * and @p must match the task being enqueued.
 *
 * When called from ops.select_cpu(), @enq_flags and @dsp_id are stored, and @p
 * will be directly inserted into the corresponding dispatch queue after
 * ops.select_cpu() returns. If @p is inserted into SCX_DSQ_LOCAL, it will be
 * inserted into the local DSQ of the CPU returned by ops.select_cpu().
 * @enq_flags are OR'd with the enqueue flags on the enqueue path before the
 * task is inserted.
 *
 * When called from ops.dispatch(), there are no restrictions on @p or @dsq_id
 * and this function can be called upto ops.dispatch_max_batch times to insert
 * multiple tasks. scx_bpf_dispatch_nr_slots() returns the number of the
 * remaining slots. scx_bpf_dsq_move_to_local() flushes the batch and resets the
 * counter.
 *
 * This function doesn't have any locking restrictions and may be called under
 * BPF locks (in the future when BPF introduces more flexible locking).
 *
 * @p is allowed to run for @slice. The scheduling path is triggered on slice
 * exhaustion. If zero, the current residual slice is maintained. If
 * %SCX_SLICE_INF, @p never expires and the BPF scheduler must kick the CPU with
 * scx_bpf_kick_cpu() to trigger scheduling.
 */
__bpf_kfunc void scx_bpf_dsq_insert(struct task_struct *p, u64 dsq_id, u64 slice,
        u64 enq_flags)
{
 if (!scx_dsq_insert_preamble(p, enq_flags))
  return;

 if (slice)
  p->scx.slice = slice;
 else
  p->scx.slice = p->scx.slice ?: 1;

 scx_dsq_insert_commit(p, dsq_id, enq_flags);
}

/**
 * scx_bpf_dsq_insert_vtime - Insert a task into the vtime priority queue of a DSQ
 * @p: task_struct to insert
 * @dsq_id: DSQ to insert into
 * @slice: duration @p can run for in nsecs, 0 to keep the current value
 * @vtime: @p's ordering inside the vtime-sorted queue of the target DSQ
 * @enq_flags: SCX_ENQ_*
 *
 * Insert @p into the vtime priority queue of the DSQ identified by @dsq_id.
 * Tasks queued into the priority queue are ordered by @vtime. All other aspects
 * are identical to scx_bpf_dsq_insert().
 *
 * @vtime ordering is according to time_before64() which considers wrapping. A
 * numerically larger vtime may indicate an earlier position in the ordering and
 * vice-versa.
 *
 * A DSQ can only be used as a FIFO or priority queue at any given time and this
 * function must not be called on a DSQ which already has one or more FIFO tasks
 * queued and vice-versa. Also, the built-in DSQs (SCX_DSQ_LOCAL and
 * SCX_DSQ_GLOBAL) cannot be used as priority queues.
 */
__bpf_kfunc void scx_bpf_dsq_insert_vtime(struct task_struct *p, u64 dsq_id,
       u64 slice, u64 vtime, u64 enq_flags)
{
 if (!scx_dsq_insert_preamble(p, enq_flags))
  return;

 if (slice)
  p->scx.slice = slice;
 else
  p->scx.slice = p->scx.slice ?: 1;

 p->scx.dsq_vtime = vtime;

 scx_dsq_insert_commit(p, dsq_id, enq_flags | SCX_ENQ_DSQ_PRIQ);
}

__bpf_kfunc_end_defs();

BTF_KFUNCS_START(scx_kfunc_ids_enqueue_dispatch)
BTF_ID_FLAGS(func, scx_bpf_dsq_insert, KF_RCU)
BTF_ID_FLAGS(func, scx_bpf_dsq_insert_vtime, KF_RCU)
BTF_KFUNCS_END(scx_kfunc_ids_enqueue_dispatch)

static const struct btf_kfunc_id_set scx_kfunc_set_enqueue_dispatch = {
 .owner   = THIS_MODULE,
 .set   = &scx_kfunc_ids_enqueue_dispatch,
};

static bool scx_dsq_move(struct bpf_iter_scx_dsq_kern *kit,
    struct task_struct *p, u64 dsq_id, u64 enq_flags)
{
 struct scx_sched *sch = scx_root;
 struct scx_dispatch_q *src_dsq = kit->dsq, *dst_dsq;
 struct rq *this_rq, *src_rq, *locked_rq;
 bool dispatched = false;
 bool in_balance;
 unsigned long flags;

 if (!scx_kf_allowed_if_unlocked() && !scx_kf_allowed(SCX_KF_DISPATCH))
  return false;

 /*
 * Can be called from either ops.dispatch() locking this_rq() or any
 * context where no rq lock is held. If latter, lock @p's task_rq which
 * we'll likely need anyway.
 */
 src_rq = task_rq(p);

 local_irq_save(flags);
 this_rq = this_rq();
 in_balance = this_rq->scx.flags & SCX_RQ_IN_BALANCE;

 if (in_balance) {
  if (this_rq != src_rq) {
   raw_spin_rq_unlock(this_rq);
   raw_spin_rq_lock(src_rq);
  }
 } else {
  raw_spin_rq_lock(src_rq);
 }

 /*
 * If the BPF scheduler keeps calling this function repeatedly, it can
 * cause similar live-lock conditions as consume_dispatch_q(). Insert a
 * breather if necessary.
 */
 scx_breather(src_rq);

 locked_rq = src_rq;
 raw_spin_lock(&src_dsq->lock);

 /*
 * Did someone else get to it? @p could have already left $src_dsq, got
 * re-enqueud, or be in the process of being consumed by someone else.
 */
 if (unlikely(p->scx.dsq != src_dsq ||
       u32_before(kit->cursor.priv, p->scx.dsq_seq) ||
       p->scx.holding_cpu >= 0) ||
     WARN_ON_ONCE(src_rq != task_rq(p))) {
  raw_spin_unlock(&src_dsq->lock);
  goto out;
 }

 /* @p is still on $src_dsq and stable, determine the destination */
 dst_dsq = find_dsq_for_dispatch(sch, this_rq, dsq_id, p);

 /*
 * Apply vtime and slice updates before moving so that the new time is
 * visible before inserting into $dst_dsq. @p is still on $src_dsq but
 * this is safe as we're locking it.
 */
 if (kit->cursor.flags & __SCX_DSQ_ITER_HAS_VTIME)
  p->scx.dsq_vtime = kit->vtime;
 if (kit->cursor.flags & __SCX_DSQ_ITER_HAS_SLICE)
  p->scx.slice = kit->slice;

 /* execute move */
 locked_rq = move_task_between_dsqs(sch, p, enq_flags, src_dsq, dst_dsq);
 dispatched = true;
out:
 if (in_balance) {
  if (this_rq != locked_rq) {
   raw_spin_rq_unlock(locked_rq);
   raw_spin_rq_lock(this_rq);
  }
 } else {
  raw_spin_rq_unlock_irqrestore(locked_rq, flags);
 }

 kit->cursor.flags &= ~(__SCX_DSQ_ITER_HAS_SLICE |
          __SCX_DSQ_ITER_HAS_VTIME);
 return dispatched;
}

__bpf_kfunc_start_defs();

/**
 * scx_bpf_dispatch_nr_slots - Return the number of remaining dispatch slots
 *
 * Can only be called from ops.dispatch().
 */
__bpf_kfunc u32 scx_bpf_dispatch_nr_slots(void)
{
 if (!scx_kf_allowed(SCX_KF_DISPATCH))
  return 0;

 return scx_dsp_max_batch - __this_cpu_read(scx_dsp_ctx->cursor);
}

/**
 * scx_bpf_dispatch_cancel - Cancel the latest dispatch
 *
 * Cancel the latest dispatch. Can be called multiple times to cancel further
 * dispatches. Can only be called from ops.dispatch().
 */
__bpf_kfunc void scx_bpf_dispatch_cancel(void)
{
 struct scx_dsp_ctx *dspc = this_cpu_ptr(scx_dsp_ctx);

 if (!scx_kf_allowed(SCX_KF_DISPATCH))
  return;

 if (dspc->cursor > 0)
  dspc->cursor--;
 else
  scx_kf_error("dispatch buffer underflow");
}

/**
 * scx_bpf_dsq_move_to_local - move a task from a DSQ to the current CPU's local DSQ
 * @dsq_id: DSQ to move task from
 *
 * Move a task from the non-local DSQ identified by @dsq_id to the current CPU's
 * local DSQ for execution. Can only be called from ops.dispatch().
 *
 * This function flushes the in-flight dispatches from scx_bpf_dsq_insert()
 * before trying to move from the specified DSQ. It may also grab rq locks and
 * thus can't be called under any BPF locks.
 *
 * Returns %true if a task has been moved, %false if there isn't any task to
 * move.
 */
__bpf_kfunc bool scx_bpf_dsq_move_to_local(u64 dsq_id)
{
 struct scx_sched *sch = scx_root;
 struct scx_dsp_ctx *dspc = this_cpu_ptr(scx_dsp_ctx);
 struct scx_dispatch_q *dsq;

 if (!scx_kf_allowed(SCX_KF_DISPATCH))
  return false;

 flush_dispatch_buf(sch, dspc->rq);

 dsq = find_user_dsq(sch, dsq_id);
 if (unlikely(!dsq)) {
  scx_error(sch, "invalid DSQ ID 0x%016llx", dsq_id);
  return false;
 }

 if (consume_dispatch_q(sch, dspc->rq, dsq)) {
  /*
 * A successfully consumed task can be dequeued before it starts
 * running while the CPU is trying to migrate other dispatched
 * tasks. Bump nr_tasks to tell balance_scx() to retry on empty
 * local DSQ.
 */
  dspc->nr_tasks++;
  return true;
 } else {
  return false;
 }
}

/**
 * scx_bpf_dsq_move_set_slice - Override slice when moving between DSQs
 * @it__iter: DSQ iterator in progress
 * @slice: duration the moved task can run for in nsecs
 *
 * Override the slice of the next task that will be moved from @it__iter using
 * scx_bpf_dsq_move[_vtime](). If this function is not called, the previous
 * slice duration is kept.
 */
__bpf_kfunc void scx_bpf_dsq_move_set_slice(struct bpf_iter_scx_dsq *it__iter,
         u64 slice)
{
 struct bpf_iter_scx_dsq_kern *kit = (void *)it__iter;

 kit->slice = slice;
 kit->cursor.flags |= __SCX_DSQ_ITER_HAS_SLICE;
}

/**
 * scx_bpf_dsq_move_set_vtime - Override vtime when moving between DSQs
 * @it__iter: DSQ iterator in progress
 * @vtime: task's ordering inside the vtime-sorted queue of the target DSQ
 *
 * Override the vtime of the next task that will be moved from @it__iter using
 * scx_bpf_dsq_move_vtime(). If this function is not called, the previous slice
 * vtime is kept. If scx_bpf_dsq_move() is used to dispatch the next task, the
 * override is ignored and cleared.
 */
__bpf_kfunc void scx_bpf_dsq_move_set_vtime(struct bpf_iter_scx_dsq *it__iter,
         u64 vtime)
{
 struct bpf_iter_scx_dsq_kern *kit = (void *)it__iter;

 kit->vtime = vtime;
 kit->cursor.flags |= __SCX_DSQ_ITER_HAS_VTIME;
}

/**
 * scx_bpf_dsq_move - Move a task from DSQ iteration to a DSQ
 * @it__iter: DSQ iterator in progress
 * @p: task to transfer
 * @dsq_id: DSQ to move @p to
 * @enq_flags: SCX_ENQ_*
 *
 * Transfer @p which is on the DSQ currently iterated by @it__iter to the DSQ
 * specified by @dsq_id. All DSQs - local DSQs, global DSQ and user DSQs - can
 * be the destination.
 *
 * For the transfer to be successful, @p must still be on the DSQ and have been
 * queued before the DSQ iteration started. This function doesn't care whether
 * @p was obtained from the DSQ iteration. @p just has to be on the DSQ and have
 * been queued before the iteration started.
 *
 * @p's slice is kept by default. Use scx_bpf_dsq_move_set_slice() to update.
 *
 * Can be called from ops.dispatch() or any BPF context which doesn't hold a rq
 * lock (e.g. BPF timers or SYSCALL programs).
 *
 * Returns %true if @p has been consumed, %false if @p had already been consumed
 * or dequeued.
 */
__bpf_kfunc bool scx_bpf_dsq_move(struct bpf_iter_scx_dsq *it__iter,
      struct task_struct *p, u64 dsq_id,
      u64 enq_flags)
{
 return scx_dsq_move((struct bpf_iter_scx_dsq_kern *)it__iter,
       p, dsq_id, enq_flags);
}

/**
 * scx_bpf_dsq_move_vtime - Move a task from DSQ iteration to a PRIQ DSQ
 * @it__iter: DSQ iterator in progress
 * @p: task to transfer
 * @dsq_id: DSQ to move @p to
 * @enq_flags: SCX_ENQ_*
 *
 * Transfer @p which is on the DSQ currently iterated by @it__iter to the
 * priority queue of the DSQ specified by @dsq_id. The destination must be a
 * user DSQ as only user DSQs support priority queue.
 *
 * @p's slice and vtime are kept by default. Use scx_bpf_dsq_move_set_slice()
 * and scx_bpf_dsq_move_set_vtime() to update.
 *
 * All other aspects are identical to scx_bpf_dsq_move(). See
 * scx_bpf_dsq_insert_vtime() for more information on @vtime.
 */
__bpf_kfunc bool scx_bpf_dsq_move_vtime(struct bpf_iter_scx_dsq *it__iter,
     struct task_struct *p, u64 dsq_id,
     u64 enq_flags)
{
 return scx_dsq_move((struct bpf_iter_scx_dsq_kern *)it__iter,
       p, dsq_id, enq_flags | SCX_ENQ_DSQ_PRIQ);
}

__bpf_kfunc_end_defs();

BTF_KFUNCS_START(scx_kfunc_ids_dispatch)
BTF_ID_FLAGS(func, scx_bpf_dispatch_nr_slots)
BTF_ID_FLAGS(func, scx_bpf_dispatch_cancel)
BTF_ID_FLAGS(func, scx_bpf_dsq_move_to_local)
BTF_ID_FLAGS(func, scx_bpf_dsq_move_set_slice, KF_RCU)
BTF_ID_FLAGS(func, scx_bpf_dsq_move_set_vtime, KF_RCU)
BTF_ID_FLAGS(func, scx_bpf_dsq_move, KF_RCU)
BTF_ID_FLAGS(func, scx_bpf_dsq_move_vtime, KF_RCU)
BTF_KFUNCS_END(scx_kfunc_ids_dispatch)

static const struct btf_kfunc_id_set scx_kfunc_set_dispatch = {
 .owner   = THIS_MODULE,
 .set   = &scx_kfunc_ids_dispatch,
};

__bpf_kfunc_start_defs();

/**
 * scx_bpf_reenqueue_local - Re-enqueue tasks on a local DSQ
 *
 * Iterate over all of the tasks currently enqueued on the local DSQ of the
 * caller's CPU, and re-enqueue them in the BPF scheduler. Returns the number of
 * processed tasks. Can only be called from ops.cpu_release().
 */
__bpf_kfunc u32 scx_bpf_reenqueue_local(void)
{
 LIST_HEAD(tasks);
 u32 nr_enqueued = 0;
 struct rq *rq;
 struct task_struct *p, *n;

 if (!scx_kf_allowed(SCX_KF_CPU_RELEASE))
  return 0;

 rq = cpu_rq(smp_processor_id());
 lockdep_assert_rq_held(rq);

 /*
 * The BPF scheduler may choose to dispatch tasks back to
 * @rq->scx.local_dsq. Move all candidate tasks off to a private list
 * first to avoid processing the same tasks repeatedly.
 */
 list_for_each_entry_safe(p, n, &rq->scx.local_dsq.list,
     scx.dsq_list.node) {
  /*
 * If @p is being migrated, @p's current CPU may not agree with
 * its allowed CPUs and the migration_cpu_stop is about to
 * deactivate and re-activate @p anyway. Skip re-enqueueing.
 *
 * While racing sched property changes may also dequeue and
 * re-enqueue a migrating task while its current CPU and allowed
 * CPUs disagree, they use %ENQUEUE_RESTORE which is bypassed to
 * the current local DSQ for running tasks and thus are not
 * visible to the BPF scheduler.
 */
  if (p->migration_pending)
   continue;

  dispatch_dequeue(rq, p);
  list_add_tail(&p->scx.dsq_list.node, &tasks);
 }

 list_for_each_entry_safe(p, n, &tasks, scx.dsq_list.node) {
  list_del_init(&p->scx.dsq_list.node);
  do_enqueue_task(rq, p, SCX_ENQ_REENQ, -1);
  nr_enqueued++;
 }

 return nr_enqueued;
}

__bpf_kfunc_end_defs();

BTF_KFUNCS_START(scx_kfunc_ids_cpu_release)
BTF_ID_FLAGS(func, scx_bpf_reenqueue_local)
BTF_KFUNCS_END(scx_kfunc_ids_cpu_release)

static const struct btf_kfunc_id_set scx_kfunc_set_cpu_release = {
 .owner   = THIS_MODULE,
 .set   = &scx_kfunc_ids_cpu_release,
};

__bpf_kfunc_start_defs();

/**
 * scx_bpf_create_dsq - Create a custom DSQ
 * @dsq_id: DSQ to create
 * @node: NUMA node to allocate from
 *
 * Create a custom DSQ identified by @dsq_id. Can be called from any sleepable
 * scx callback, and any BPF_PROG_TYPE_SYSCALL prog.
 */
__bpf_kfunc s32 scx_bpf_create_dsq(u64 dsq_id, s32 node)
{
 struct scx_dispatch_q *dsq;
 struct scx_sched *sch;
 s32 ret;

 if (unlikely(node >= (int)nr_node_ids ||
       (node < 0 && node != NUMA_NO_NODE)))
  return -EINVAL;

 if (unlikely(dsq_id & SCX_DSQ_FLAG_BUILTIN))
  return -EINVAL;

 dsq = kmalloc_node(sizeof(*dsq), GFP_KERNEL, node);
 if (!dsq)
  return -ENOMEM;

 init_dsq(dsq, dsq_id);

 rcu_read_lock();

 sch = rcu_dereference(scx_root);
 if (sch)
  ret = rhashtable_lookup_insert_fast(&sch->dsq_hash, &dsq->hash_node,
          dsq_hash_params);
 else
  ret = -ENODEV;

 rcu_read_unlock();
 if (ret)
  kfree(dsq);
 return ret;
}

__bpf_kfunc_end_defs();

BTF_KFUNCS_START(scx_kfunc_ids_unlocked)
BTF_ID_FLAGS(func, scx_bpf_create_dsq, KF_SLEEPABLE)
BTF_ID_FLAGS(func, scx_bpf_dsq_move_set_slice, KF_RCU)
BTF_ID_FLAGS(func, scx_bpf_dsq_move_set_vtime, KF_RCU)
BTF_ID_FLAGS(func, scx_bpf_dsq_move, KF_RCU)
BTF_ID_FLAGS(func, scx_bpf_dsq_move_vtime, KF_RCU)
BTF_KFUNCS_END(scx_kfunc_ids_unlocked)

static const struct btf_kfunc_id_set scx_kfunc_set_unlocked = {
 .owner   = THIS_MODULE,
 .set   = &scx_kfunc_ids_unlocked,
};

__bpf_kfunc_start_defs();

/**
 * scx_bpf_kick_cpu - Trigger reschedule on a CPU
 * @cpu: cpu to kick
 * @flags: %SCX_KICK_* flags
 *
 * Kick @cpu into rescheduling. This can be used to wake up an idle CPU or
 * trigger rescheduling on a busy CPU. This can be called from any online
 * scx_ops operation and the actual kicking is performed asynchronously through
 * an irq work.
 */
__bpf_kfunc void scx_bpf_kick_cpu(s32 cpu, u64 flags)
{
 struct rq *this_rq;
 unsigned long irq_flags;

 if (!kf_cpu_valid(cpu, NULL))
  return;

 local_irq_save(irq_flags);

 this_rq = this_rq();

 /*
 * While bypassing for PM ops, IRQ handling may not be online which can
 * lead to irq_work_queue() malfunction such as infinite busy wait for
 * IRQ status update. Suppress kicking.
 */
 if (scx_rq_bypassing(this_rq))
  goto out;

 /*
 * Actual kicking is bounced to kick_cpus_irq_workfn() to avoid nesting
 * rq locks. We can probably be smarter and avoid bouncing if called
 * from ops which don't hold a rq lock.
 */
 if (flags & SCX_KICK_IDLE) {
  struct rq *target_rq = cpu_rq(cpu);

  if (unlikely(flags & (SCX_KICK_PREEMPT | SCX_KICK_WAIT)))
   scx_kf_error("PREEMPT/WAIT cannot be used with SCX_KICK_IDLE");

  if (raw_spin_rq_trylock(target_rq)) {
   if (can_skip_idle_kick(target_rq)) {
    raw_spin_rq_unlock(target_rq);
    goto out;
   }
   raw_spin_rq_unlock(target_rq);
  }
  cpumask_set_cpu(cpu, this_rq->scx.cpus_to_kick_if_idle);
 } else {
  cpumask_set_cpu(cpu, this_rq->scx.cpus_to_kick);

  if (flags & SCX_KICK_PREEMPT)
   cpumask_set_cpu(cpu, this_rq->scx.cpus_to_preempt);
  if (flags & SCX_KICK_WAIT)
   cpumask_set_cpu(cpu, this_rq->scx.cpus_to_wait);
 }

 irq_work_queue(&this_rq->scx.kick_cpus_irq_work);
out:
 local_irq_restore(irq_flags);
}

/**
 * scx_bpf_dsq_nr_queued - Return the number of queued tasks
 * @dsq_id: id of the DSQ
 *
 * Return the number of tasks in the DSQ matching @dsq_id. If not found,
 * -%ENOENT is returned.
 */
__bpf_kfunc s32 scx_bpf_dsq_nr_queued(u64 dsq_id)
{
 struct scx_sched *sch;
 struct scx_dispatch_q *dsq;
 s32 ret;

 preempt_disable();

 sch = rcu_dereference_sched(scx_root);
 if (unlikely(!sch)) {
  ret = -ENODEV;
  goto out;
 }

 if (dsq_id == SCX_DSQ_LOCAL) {
  ret = READ_ONCE(this_rq()->scx.local_dsq.nr);
  goto out;
 } else if ((dsq_id & SCX_DSQ_LOCAL_ON) == SCX_DSQ_LOCAL_ON) {
  s32 cpu = dsq_id & SCX_DSQ_LOCAL_CPU_MASK;

  if (ops_cpu_valid(sch, cpu, NULL)) {
   ret = READ_ONCE(cpu_rq(cpu)->scx.local_dsq.nr);
   goto out;
  }
 } else {
  dsq = find_user_dsq(sch, dsq_id);
  if (dsq) {
   ret = READ_ONCE(dsq->nr);
   goto out;
  }
 }
 ret = -ENOENT;
out:
 preempt_enable();
 return ret;
}

/**
 * scx_bpf_destroy_dsq - Destroy a custom DSQ
 * @dsq_id: DSQ to destroy
 *
 * Destroy the custom DSQ identified by @dsq_id. Only DSQs created with
 * scx_bpf_create_dsq() can be destroyed. The caller must ensure that the DSQ is
 * empty and no further tasks are dispatched to it. Ignored if called on a DSQ
 * which doesn't exist. Can be called from any online scx_ops operations.
 */
__bpf_kfunc void scx_bpf_destroy_dsq(u64 dsq_id)
{
 struct scx_sched *sch;

 rcu_read_lock();
 sch = rcu_dereference(scx_root);
 if (sch)
  destroy_dsq(sch, dsq_id);
 rcu_read_unlock();
}

/**
 * bpf_iter_scx_dsq_new - Create a DSQ iterator
 * @it: iterator to initialize
 * @dsq_id: DSQ to iterate
 * @flags: %SCX_DSQ_ITER_*
 *
 * Initialize BPF iterator @it which can be used with bpf_for_each() to walk
 * tasks in the DSQ specified by @dsq_id. Iteration using @it only includes
 * tasks which are already queued when this function is invoked.
 */
__bpf_kfunc int bpf_iter_scx_dsq_new(struct bpf_iter_scx_dsq *it, u64 dsq_id,
         u64 flags)
{
 struct bpf_iter_scx_dsq_kern *kit = (void *)it;
 struct scx_sched *sch;

 BUILD_BUG_ON(sizeof(struct bpf_iter_scx_dsq_kern) >
       sizeof(struct bpf_iter_scx_dsq));
 BUILD_BUG_ON(__alignof__(struct bpf_iter_scx_dsq_kern) !=
       __alignof__(struct bpf_iter_scx_dsq));

 /*
 * next() and destroy() will be called regardless of the return value.
 * Always clear $kit->dsq.
 */
 kit->dsq = NULL;

 sch = rcu_dereference_check(scx_root, rcu_read_lock_bh_held());
 if (unlikely(!sch))
  return -ENODEV;

 if (flags & ~__SCX_DSQ_ITER_USER_FLAGS)
  return -EINVAL;

 kit->dsq = find_user_dsq(sch, dsq_id);
 if (!kit->dsq)
  return -ENOENT;

 INIT_LIST_HEAD(&kit->cursor.node);
 kit->cursor.flags = SCX_DSQ_LNODE_ITER_CURSOR | flags;
 kit->cursor.priv = READ_ONCE(kit->dsq->seq);

 return 0;
}

/**
 * bpf_iter_scx_dsq_next - Progress a DSQ iterator
 * @it: iterator to progress
 *
 * Return the next task. See bpf_iter_scx_dsq_new().
 */
__bpf_kfunc struct task_struct *bpf_iter_scx_dsq_next(struct bpf_iter_scx_dsq *it)
{
 struct bpf_iter_scx_dsq_kern *kit = (void *)it;
 bool rev = kit->cursor.flags & SCX_DSQ_ITER_REV;
 struct task_struct *p;
 unsigned long flags;

 if (!kit->dsq)
  return NULL;

 raw_spin_lock_irqsave(&kit->dsq->lock, flags);

 if (list_empty(&kit->cursor.node))
  p = NULL;
 else
  p = container_of(&kit->cursor, struct task_struct, scx.dsq_list);

 /*
 * Only tasks which were queued before the iteration started are
 * visible. This bounds BPF iterations and guarantees that vtime never
 * jumps in the other direction while iterating.
 */
 do {
  p = nldsq_next_task(kit->dsq, p, rev);
 } while (p && unlikely(u32_before(kit->cursor.priv, p->scx.dsq_seq)));

 if (p) {
  if (rev)
   list_move_tail(&kit->cursor.node, &p->scx.dsq_list.node);
  else
   list_move(&kit->cursor.node, &p->scx.dsq_list.node);
 } else {
  list_del_init(&kit->cursor.node);
 }

 raw_spin_unlock_irqrestore(&kit->dsq->lock, flags);

 return p;
}

/**
 * bpf_iter_scx_dsq_destroy - Destroy a DSQ iterator
 * @it: iterator to destroy
 *
 * Undo scx_iter_scx_dsq_new().
 */
__bpf_kfunc void bpf_iter_scx_dsq_destroy(struct bpf_iter_scx_dsq *it)
{
 struct bpf_iter_scx_dsq_kern *kit = (void *)it;

 if (!kit->dsq)
  return;

 if (!list_empty(&kit->cursor.node)) {
  unsigned long flags;

  raw_spin_lock_irqsave(&kit->dsq->lock, flags);
  list_del_init(&kit->cursor.node);
  raw_spin_unlock_irqrestore(&kit->dsq->lock, flags);
 }
 kit->dsq = NULL;
}

__bpf_kfunc_end_defs();

static s32 __bstr_format(u64 *data_buf, char *line_buf, size_t line_size,
    char *fmt, unsigned long long *data, u32 data__sz)
{
 struct bpf_bprintf_data bprintf_data = { .get_bin_args = true };
 s32 ret;

 if (data__sz % 8 || data__sz > MAX_BPRINTF_VARARGS * 8 ||
     (data__sz && !data)) {
  scx_kf_error("invalid data=%p and data__sz=%u", (void *)data, data__sz);
  return -EINVAL;
 }

 ret = copy_from_kernel_nofault(data_buf, data, data__sz);
 if (ret < 0) {
  scx_kf_error("failed to read data fields (%d)", ret);
  return ret;
 }

 ret = bpf_bprintf_prepare(fmt, UINT_MAX, data_buf, data__sz / 8,
      &bprintf_data);
 if (ret < 0) {
  scx_kf_error("format preparation failed (%d)", ret);
  return ret;
 }

 ret = bstr_printf(line_buf, line_size, fmt,
     bprintf_data.bin_args);
 bpf_bprintf_cleanup(&bprintf_data);
 if (ret < 0) {
  scx_kf_error("(\"%s\", %p, %u) failed to format", fmt, data, data__sz);
  return ret;
 }

 return ret;
}

static s32 bstr_format(struct scx_bstr_buf *buf,
         char *fmt, unsigned long long *data, u32 data__sz)
{
 return __bstr_format(buf->data, buf->line, sizeof(buf->line),
        fmt, data, data__sz);
}

__bpf_kfunc_start_defs();

/**
 * scx_bpf_exit_bstr - Gracefully exit the BPF scheduler.
 * @exit_code: Exit value to pass to user space via struct scx_exit_info.
 * @fmt: error message format string
 * @data: format string parameters packaged using ___bpf_fill() macro
 * @data__sz: @data len, must end in '__sz' for the verifier
 *
 * Indicate that the BPF scheduler wants to exit gracefully, and initiate ops
 * disabling.
 */
__bpf_kfunc void scx_bpf_exit_bstr(s64 exit_code, char *fmt,
       unsigned long long *data, u32 data__sz)
{
 unsigned long flags;

 raw_spin_lock_irqsave(&scx_exit_bstr_buf_lock, flags);
 if (bstr_format(&scx_exit_bstr_buf, fmt, data, data__sz) >= 0)
  scx_kf_exit(SCX_EXIT_UNREG_BPF, exit_code, "%s", scx_exit_bstr_buf.line);
 raw_spin_unlock_irqrestore(&scx_exit_bstr_buf_lock, flags);
}

/**
 * scx_bpf_error_bstr - Indicate fatal error
 * @fmt: error message format string
 * @data: format string parameters packaged using ___bpf_fill() macro
 * @data__sz: @data len, must end in '__sz' for the verifier
 *
 * Indicate that the BPF scheduler encountered a fatal error and initiate ops
 * disabling.
 */
__bpf_kfunc void scx_bpf_error_bstr(char *fmt, unsigned long long *data,
        u32 data__sz)
{
 unsigned long flags;

 raw_spin_lock_irqsave(&scx_exit_bstr_buf_lock, flags);
 if (bstr_format(&scx_exit_bstr_buf, fmt, data, data__sz) >= 0)
  scx_kf_exit(SCX_EXIT_ERROR_BPF, 0, "%s", scx_exit_bstr_buf.line);
 raw_spin_unlock_irqrestore(&scx_exit_bstr_buf_lock, flags);
}

/**
 * scx_bpf_dump_bstr - Generate extra debug dump specific to the BPF scheduler
 * @fmt: format string
 * @data: format string parameters packaged using ___bpf_fill() macro
 * @data__sz: @data len, must end in '__sz' for the verifier
 *
 * To be called through scx_bpf_dump() helper from ops.dump(), dump_cpu() and
 * dump_task() to generate extra debug dump specific to the BPF scheduler.
 *
 * The extra dump may be multiple lines. A single line may be split over
 * multiple calls. The last line is automatically terminated.
 */
__bpf_kfunc void scx_bpf_dump_bstr(char *fmt, unsigned long long *data,
       u32 data__sz)
{
 struct scx_dump_data *dd = &scx_dump_data;
 struct scx_bstr_buf *buf = &dd->buf;
 s32 ret;

 if (raw_smp_processor_id() != dd->cpu) {
  scx_kf_error("scx_bpf_dump() must only be called from ops.dump() and friends");
  return;
 }

 /* append the formatted string to the line buf */
 ret = __bstr_format(buf->data, buf->line + dd->cursor,
       sizeof(buf->line) - dd->cursor, fmt, data, data__sz);
 if (ret < 0) {
  dump_line(dd->s, "%s[!] (\"%s\", %p, %u) failed to format (%d)",
     dd->prefix, fmt, data, data__sz, ret);
  return;
 }

 dd->cursor += ret;
 dd->cursor = min_t(s32, dd->cursor, sizeof(buf->line));

 if (!dd->cursor)
  return;

 /*
 * If the line buf overflowed or ends in a newline, flush it into the
 * dump. This is to allow the caller to generate a single line over
 * multiple calls. As ops_dump_flush() can also handle multiple lines in
 * the line buf, the only case which can lead to an unexpected
 * truncation is when the caller keeps generating newlines in the middle
 * instead of the end consecutively. Don't do that.
 */
 if (dd->cursor >= sizeof(buf->line) || buf->line[dd->cursor - 1] == '\n')
  ops_dump_flush();
}

/**
 * scx_bpf_cpuperf_cap - Query the maximum relative capacity of a CPU
 * @cpu: CPU of interest
 *
 * Return the maximum relative capacity of @cpu in relation to the most
 * performant CPU in the system. The return value is in the range [1,
 * %SCX_CPUPERF_ONE]. See scx_bpf_cpuperf_cur().
 */
__bpf_kfunc u32 scx_bpf_cpuperf_cap(s32 cpu)
{
 if (kf_cpu_valid(cpu, NULL))
  return arch_scale_cpu_capacity(cpu);
 else
  return SCX_CPUPERF_ONE;
}

/**
 * scx_bpf_cpuperf_cur - Query the current relative performance of a CPU
 * @cpu: CPU of interest
 *
 * Return the current relative performance of @cpu in relation to its maximum.
 * The return value is in the range [1, %SCX_CPUPERF_ONE].
 *
 * The current performance level of a CPU in relation to the maximum performance
 * available in the system can be calculated as follows:
 *
 *   scx_bpf_cpuperf_cap() * scx_bpf_cpuperf_cur() / %SCX_CPUPERF_ONE
 *
 * The result is in the range [1, %SCX_CPUPERF_ONE].
 */
__bpf_kfunc u32 scx_bpf_cpuperf_cur(s32 cpu)
{
 if (kf_cpu_valid(cpu, NULL))
  return arch_scale_freq_capacity(cpu);
 else
  return SCX_CPUPERF_ONE;
}

/**
 * scx_bpf_cpuperf_set - Set the relative performance target of a CPU
 * @cpu: CPU of interest
 * @perf: target performance level [0, %SCX_CPUPERF_ONE]
 *
 * Set the target performance level of @cpu to @perf. @perf is in linear
 * relative scale between 0 and %SCX_CPUPERF_ONE. This determines how the
 * schedutil cpufreq governor chooses the target frequency.
 *
 * The actual performance level chosen, CPU grouping, and the overhead and
 * latency of the operations are dependent on the hardware and cpufreq driver in
 * use. Consult hardware and cpufreq documentation for more information. The
 * current performance level can be monitored using scx_bpf_cpuperf_cur().
 */
__bpf_kfunc void scx_bpf_cpuperf_set(s32 cpu, u32 perf)
{
 if (unlikely(perf > SCX_CPUPERF_ONE)) {
  scx_kf_error("Invalid cpuperf target %u for CPU %d", perf, cpu);
  return;
 }

 if (kf_cpu_valid(cpu, NULL)) {
  struct rq *rq = cpu_rq(cpu), *locked_rq = scx_locked_rq();
  struct rq_flags rf;

  /*
 * When called with an rq lock held, restrict the operation
 * to the corresponding CPU to prevent ABBA deadlocks.
 */
  if (locked_rq && rq != locked_rq) {
   scx_kf_error("Invalid target CPU %d", cpu);
   return;
  }

  /*
 * If no rq lock is held, allow to operate on any CPU by
 * acquiring the corresponding rq lock.
 */
  if (!locked_rq) {
   rq_lock_irqsave(rq, &rf);
   update_rq_clock(rq);
  }

  rq->scx.cpuperf_target = perf;
  cpufreq_update_util(rq, 0);

  if (!locked_rq)
   rq_unlock_irqrestore(rq, &rf);
 }
}

/**
 * scx_bpf_nr_node_ids - Return the number of possible node IDs
 *
 * All valid node IDs in the system are smaller than the returned value.
 */
__bpf_kfunc u32 scx_bpf_nr_node_ids(void)
{
 return nr_node_ids;
}

/**
 * scx_bpf_nr_cpu_ids - Return the number of possible CPU IDs
 *
 * All valid CPU IDs in the system are smaller than the returned value.
 */
__bpf_kfunc u32 scx_bpf_nr_cpu_ids(void)
{
 return nr_cpu_ids;
}

/**
 * scx_bpf_get_possible_cpumask - Get a referenced kptr to cpu_possible_mask
 */
__bpf_kfunc const struct cpumask *scx_bpf_get_possible_cpumask(void)
{
 return cpu_possible_mask;
}

/**
 * scx_bpf_get_online_cpumask - Get a referenced kptr to cpu_online_mask
 */
__bpf_kfunc const struct cpumask *scx_bpf_get_online_cpumask(void)
{
 return cpu_online_mask;
}

/**
 * scx_bpf_put_cpumask - Release a possible/online cpumask
 * @cpumask: cpumask to release
 */
__bpf_kfunc void scx_bpf_put_cpumask(const struct cpumask *cpumask)
{
 /*
 * Empty function body because we aren't actually acquiring or releasing
 * a reference to a global cpumask, which is read-only in the caller and
 * is never released. The acquire / release semantics here are just used
 * to make the cpumask is a trusted pointer in the caller.
 */
}

/**
 * scx_bpf_task_running - Is task currently running?
 * @p: task of interest
 */
__bpf_kfunc bool scx_bpf_task_running(const struct task_struct *p)
{
 return task_rq(p)->curr == p;
}

/**
 * scx_bpf_task_cpu - CPU a task is currently associated with
 * @p: task of interest
 */
__bpf_kfunc s32 scx_bpf_task_cpu(const struct task_struct *p)
{
 return task_cpu(p);
}

/**
 * scx_bpf_cpu_rq - Fetch the rq of a CPU
 * @cpu: CPU of the rq
 */
__bpf_kfunc struct rq *scx_bpf_cpu_rq(s32 cpu)
{
 if (!kf_cpu_valid(cpu, NULL))
  return NULL;

 return cpu_rq(cpu);
}

/**
 * scx_bpf_task_cgroup - Return the sched cgroup of a task
 * @p: task of interest
 *
 * @p->sched_task_group->css.cgroup represents the cgroup @p is associated with
 * from the scheduler's POV. SCX operations should use this function to
 * determine @p's current cgroup as, unlike following @p->cgroups,
 * @p->sched_task_group is protected by @p's rq lock and thus atomic w.r.t. all
 * rq-locked operations. Can be called on the parameter tasks of rq-locked
 * operations. The restriction guarantees that @p's rq is locked by the caller.
 */
#ifdef CONFIG_CGROUP_SCHED
__bpf_kfunc struct cgroup *scx_bpf_task_cgroup(struct task_struct *p)
{
 struct task_group *tg = p->sched_task_group;
 struct cgroup *cgrp = &cgrp_dfl_root.cgrp;

 if (!scx_kf_allowed_on_arg_tasks(__SCX_KF_RQ_LOCKED, p))
  goto out;

 cgrp = tg_cgrp(tg);

out:
 cgroup_get(cgrp);
 return cgrp;
}
#endif

/**
 * scx_bpf_now - Returns a high-performance monotonically non-decreasing
 * clock for the current CPU. The clock returned is in nanoseconds.
 *
 * It provides the following properties:
 *
 * 1) High performance: Many BPF schedulers call bpf_ktime_get_ns() frequently
 *  to account for execution time and track tasks' runtime properties.
 *  Unfortunately, in some hardware platforms, bpf_ktime_get_ns() -- which
 *  eventually reads a hardware timestamp counter -- is neither performant nor
 *  scalable. scx_bpf_now() aims to provide a high-performance clock by
 *  using the rq clock in the scheduler core whenever possible.
 *
 * 2) High enough resolution for the BPF scheduler use cases: In most BPF
 *  scheduler use cases, the required clock resolution is lower than the most
 *  accurate hardware clock (e.g., rdtsc in x86). scx_bpf_now() basically
 *  uses the rq clock in the scheduler core whenever it is valid. It considers
 *  that the rq clock is valid from the time the rq clock is updated
 *  (update_rq_clock) until the rq is unlocked (rq_unpin_lock).
 *
 * 3) Monotonically non-decreasing clock for the same CPU: scx_bpf_now()
 *  guarantees the clock never goes backward when comparing them in the same
 *  CPU. On the other hand, when comparing clocks in different CPUs, there
 *  is no such guarantee -- the clock can go backward. It provides a
 *  monotonically *non-decreasing* clock so that it would provide the same
 *  clock values in two different scx_bpf_now() calls in the same CPU
 *  during the same period of when the rq clock is valid.
 */
__bpf_kfunc u64 scx_bpf_now(void)
{
 struct rq *rq;
 u64 clock;

 preempt_disable();

 rq = this_rq();
 if (smp_load_acquire(&rq->scx.flags) & SCX_RQ_CLK_VALID) {
  /*
 * If the rq clock is valid, use the cached rq clock.
 *
 * Note that scx_bpf_now() is re-entrant between a process
 * context and an interrupt context (e.g., timer interrupt).
 * However, we don't need to consider the race between them
 * because such race is not observable from a caller.
 */
  clock = READ_ONCE(rq->scx.clock);
 } else {
  /*
 * Otherwise, return a fresh rq clock.
 *
 * The rq clock is updated outside of the rq lock.
 * In this case, keep the updated rq clock invalid so the next
 * kfunc call outside the rq lock gets a fresh rq clock.
 */
  clock = sched_clock_cpu(cpu_of(rq));
 }

 preempt_enable();

 return clock;
}

static void scx_read_events(struct scx_sched *sch, struct scx_event_stats *events)
{
 struct scx_event_stats *e_cpu;
 int cpu;

 /* Aggregate per-CPU event counters into @events. */
 memset(events, 0, sizeof(*events));
 for_each_possible_cpu(cpu) {
  e_cpu = &per_cpu_ptr(sch->pcpu, cpu)->event_stats;
  scx_agg_event(events, e_cpu, SCX_EV_SELECT_CPU_FALLBACK);
  scx_agg_event(events, e_cpu, SCX_EV_DISPATCH_LOCAL_DSQ_OFFLINE);
  scx_agg_event(events, e_cpu, SCX_EV_DISPATCH_KEEP_LAST);
  scx_agg_event(events, e_cpu, SCX_EV_ENQ_SKIP_EXITING);
  scx_agg_event(events, e_cpu, SCX_EV_ENQ_SKIP_MIGRATION_DISABLED);
  scx_agg_event(events, e_cpu, SCX_EV_REFILL_SLICE_DFL);
  scx_agg_event(events, e_cpu, SCX_EV_BYPASS_DURATION);
  scx_agg_event(events, e_cpu, SCX_EV_BYPASS_DISPATCH);
  scx_agg_event(events, e_cpu, SCX_EV_BYPASS_ACTIVATE);
 }
}

/*
 * scx_bpf_events - Get a system-wide event counter to
 * @events: output buffer from a BPF program
 * @events__sz: @events len, must end in '__sz'' for the verifier
 */
__bpf_kfunc void scx_bpf_events(struct scx_event_stats *events,
    size_t events__sz)
{
 struct scx_sched *sch;
 struct scx_event_stats e_sys;

 rcu_read_lock();
 sch = rcu_dereference(scx_root);
 if (sch)
  scx_read_events(sch, &e_sys);
 else
  memset(&e_sys, 0, sizeof(e_sys));
 rcu_read_unlock();

 /*
 * We cannot entirely trust a BPF-provided size since a BPF program
 * might be compiled against a different vmlinux.h, of which
 * scx_event_stats would be larger (a newer vmlinux.h) or smaller
 * (an older vmlinux.h). Hence, we use the smaller size to avoid
 * memory corruption.
 */
 events__sz = min(events__sz, sizeof(*events));
 memcpy(events, &e_sys, events__sz);
}

__bpf_kfunc_end_defs();

BTF_KFUNCS_START(scx_kfunc_ids_any)
BTF_ID_FLAGS(func, scx_bpf_kick_cpu)
BTF_ID_FLAGS(func, scx_bpf_dsq_nr_queued)
BTF_ID_FLAGS(func, scx_bpf_destroy_dsq)
BTF_ID_FLAGS(func, bpf_iter_scx_dsq_new, KF_ITER_NEW | KF_RCU_PROTECTED)
BTF_ID_FLAGS(func, bpf_iter_scx_dsq_next, KF_ITER_NEXT | KF_RET_NULL)
BTF_ID_FLAGS(func, bpf_iter_scx_dsq_destroy, KF_ITER_DESTROY)
BTF_ID_FLAGS(func, scx_bpf_exit_bstr, KF_TRUSTED_ARGS)
BTF_ID_FLAGS(func, scx_bpf_error_bstr, KF_TRUSTED_ARGS)
BTF_ID_FLAGS(func, scx_bpf_dump_bstr, KF_TRUSTED_ARGS)
BTF_ID_FLAGS(func, scx_bpf_cpuperf_cap)
BTF_ID_FLAGS(func, scx_bpf_cpuperf_cur)
BTF_ID_FLAGS(func, scx_bpf_cpuperf_set)
BTF_ID_FLAGS(func, scx_bpf_nr_node_ids)
BTF_ID_FLAGS(func, scx_bpf_nr_cpu_ids)
BTF_ID_FLAGS(func, scx_bpf_get_possible_cpumask, KF_ACQUIRE)
BTF_ID_FLAGS(func, scx_bpf_get_online_cpumask, KF_ACQUIRE)
BTF_ID_FLAGS(func, scx_bpf_put_cpumask, KF_RELEASE)
BTF_ID_FLAGS(func, scx_bpf_task_running, KF_RCU)
BTF_ID_FLAGS(func, scx_bpf_task_cpu, KF_RCU)
BTF_ID_FLAGS(func, scx_bpf_cpu_rq)
#ifdef CONFIG_CGROUP_SCHED
BTF_ID_FLAGS(func, scx_bpf_task_cgroup, KF_RCU | KF_ACQUIRE)
#endif
BTF_ID_FLAGS(func, scx_bpf_now)
BTF_ID_FLAGS(func, scx_bpf_events, KF_TRUSTED_ARGS)
BTF_KFUNCS_END(scx_kfunc_ids_any)

static const struct btf_kfunc_id_set scx_kfunc_set_any = {
 .owner   = THIS_MODULE,
 .set   = &scx_kfunc_ids_any,
};

static int __init scx_init(void)
{
 int ret;

 /*
 * kfunc registration can't be done from init_sched_ext_class() as
 * register_btf_kfunc_id_set() needs most of the system to be up.
 *
 * Some kfuncs are context-sensitive and can only be called from
 * specific SCX ops. They are grouped into BTF sets accordingly.
 * Unfortunately, BPF currently doesn't have a way of enforcing such
 * restrictions. Eventually, the verifier should be able to enforce
 * them. For now, register them the same and make each kfunc explicitly
 * check using scx_kf_allowed().
 */
 if ((ret = register_btf_kfunc_id_set(BPF_PROG_TYPE_STRUCT_OPS,
          &scx_kfunc_set_enqueue_dispatch)) ||
     (ret = register_btf_kfunc_id_set(BPF_PROG_TYPE_STRUCT_OPS,
          &scx_kfunc_set_dispatch)) ||
     (ret = register_btf_kfunc_id_set(BPF_PROG_TYPE_STRUCT_OPS,
          &scx_kfunc_set_cpu_release)) ||
     (ret = register_btf_kfunc_id_set(BPF_PROG_TYPE_STRUCT_OPS,
          &scx_kfunc_set_unlocked)) ||
     (ret = register_btf_kfunc_id_set(BPF_PROG_TYPE_SYSCALL,
          &scx_kfunc_set_unlocked)) ||
     (ret = register_btf_kfunc_id_set(BPF_PROG_TYPE_STRUCT_OPS,
          &scx_kfunc_set_any)) ||
     (ret = register_btf_kfunc_id_set(BPF_PROG_TYPE_TRACING,
          &scx_kfunc_set_any)) ||
     (ret = register_btf_kfunc_id_set(BPF_PROG_TYPE_SYSCALL,
          &scx_kfunc_set_any))) {
  pr_err("sched_ext: Failed to register kfunc sets (%d)\n", ret);
  return ret;
 }

 ret = scx_idle_init();
 if (ret) {
  pr_err("sched_ext: Failed to initialize idle tracking (%d)\n", ret);
  return ret;
 }

 ret = register_bpf_struct_ops(&bpf_sched_ext_ops, sched_ext_ops);
 if (ret) {
  pr_err("sched_ext: Failed to register struct_ops (%d)\n", ret);
  return ret;
 }

 ret = register_pm_notifier(&scx_pm_notifier);
 if (ret) {
  pr_err("sched_ext: Failed to register PM notifier (%d)\n", ret);
  return ret;
 }

 scx_kset = kset_create_and_add("sched_ext", &scx_uevent_ops, kernel_kobj);
 if (!scx_kset) {
  pr_err("sched_ext: Failed to create /sys/kernel/sched_ext\n");
  return -ENOMEM;
 }

 ret = sysfs_create_group(&scx_kset->kobj, &scx_global_attr_group);
 if (ret < 0) {
  pr_err("sched_ext: Failed to add global attributes\n");
  return ret;
 }

 return 0;
}
__initcall(scx_init);